來源： 中國安防展覽網

????? 2005年，深度學習技術開始從腦科學的發展中汲取營養，通過模擬神經元來逐漸學習如何識別圖像、理解語言，甚至作出自己的決定。該技術主要基于人工神經網絡和一般的數學原理，從實例中學習如何識別圖像和翻譯語言。深度學習技術使人們恢復了對人工智能的憧憬。2012年，谷歌開發出智能個人助理GoogleNow，用自然語言來回答用戶問題，提供建議，并根據用戶以往的搜索習慣預測其可能需要的信息。此后，谷歌又推出圖片搜索引擎GooglePhotos。智能手機助理軟件更是一日千里，成為人們不可或缺的生活工具。谷歌AlphaGo戰勝圍棋頂尖高手李世石的消息更是成為轟動世界的頭條新聞。技術進步推動深度學習技術迅速商業化，并成為人工智能發展的重要推手。為了搶占先機，各大信息巨頭紛紛砸數十億美元巨資支持其發展。?
????? 多年來，人工智能進展緩慢，主要是由于人類是以自己能夠理解的方式，而不是機器所能理解的方式來認識世界，處理問題，因此，對人類來說容易的事，對機器來說則千難萬難。而深度學習最有潛力之處，就是讓機器自己學習，通過自主學習教會自己如何做出正確的決定。然而，讓機器對特定情境做出正確決定并非一件輕而易舉的事。人類之所以比較容易做出正確的決定，是因為一些相關知識早已儲存在大腦中，事到臨頭可以直覺的方式瞬間作出反應，并可在今后的實踐中不斷積累經驗。因此，機器學習的一個重要方面是為其編碼學習算法，讓機器從分析比較大量實例中學習提高。?
????? 編碼學習算法面臨的另一個挑戰，是沒有一個放之四海而皆準的固定模式可以處理機器所面對的各種情境。而人類則不然，人類似乎天生就可以處理各種情境、學習各種知識。因此，人類大腦自然就成為設計人工神經網絡最重要的模型。?
????? 人類大腦通過神經元來進行計算，每個神經元通過突觸傳遞信號。神經元在學習過程中可以加強突觸的強度，并向臨近的神經元傳遞信息。因此，早期深度學習技術也從構建虛擬神經元來形成人工神經網絡，并通過增強連接神經元間的突觸優勢來實現機器學習。現在的人工神經網絡用不斷改變每個突觸連接的數值來表示該連接強度。雖然每次學習其數值改變很小，但已可以使人工神經網絡提高預測的準確性。?
????? 為了取得最佳效果，目前的學習算法還需要人類的參與，稱之為監督學習。如通過為機器提供日落的圖片來作為輸入，這樣“日落”一詞經過人工智能才能輸出。每次提供不同的日落圖片，不斷改變人工神經網絡突觸連接的數值和強度，以此來完成學習任務。這一學習過程的關鍵是不讓機器單純地死記硬背，而是遇到新的日落圖片時，同樣可以產生有關日落的輸出。雖然這一任務表面上看很簡單，但由于即便是日落這一簡單的情境，其圖片也會產生無窮的變化，因此要求學習算法在類似的輸入下，會產生類似的輸出，尤其不能出現指鹿為馬的情況。?
????? 有一種處理圖像識別問題的神經網絡稱之為卷積神經網絡，是人工智能的關鍵技術，其有多層神經元，對圖像中重要內容的些微變化不敏感。卷積神經網絡在深度學習中獲得了較為廣泛的應用，其靈感主要來自人類視覺皮層的多層結構。?
????? 此外，深度學習在近年來能夠取得成功得益于兩個關鍵因素：一是計算機運算速度提高了近十倍，尤其是圖形處理能力大幅提高；二是深度學習可順序計算的能力，能對圖像、聲音或數據一步一步地進行分析或構造。而對聲音和圖像進行識別需要多層網絡結構。?
????? 人工神經網絡在圖像識別上主要表現為對靜態圖像的識別能力。目前又出現了一種新型神經網絡，稱之為回歸神經網絡，可對隨時間展開的事件進行標記。回歸神經網絡與人類大腦的處理方式有很多相似之處，它可以預測一個句子將出現什么單詞，并在閱讀句子后，對其意思進行猜測，今后可應用于語義加工和語言翻譯。?
????? 人工智能技術走過了寒冬，迎來了發展的春天，這不僅僅是技術的進步，還對我們今后應如何支持科學技術的發展有著更為深刻的意義。當某項技術的發展遇到暫時挫折，我們該如何更好地應對挑戰，堅持多樣化發展策略，有效幫助其走出困境，這對整個科技發展都有重要的啟示作用。