欧美性猛交XXXX免费看蜜桃,成人网18免费韩国,亚洲国产成人精品区综合,欧美日韩一区二区三区高清不卡,亚洲综合一区二区精品久久

深度學(xué)習在近年的進(jìn)展又一次點(diǎn)燃了各界對人工神經(jīng)網(wǎng)絡(luò )的熱情。這一技術(shù)在圖像識別、語(yǔ)音識別、棋類(lèi)游戲等領(lǐng)域的成效出人意料，而且更多應用領(lǐng)域也正在被開(kāi)拓出來(lái)?！吧疃葘W(xué)習是否有效”已經(jīng)不是問(wèn)題，現在的問(wèn)題是在哪些問(wèn)題上有效，尤其是這條研究路線(xiàn)是否是達到通用智能的最佳途徑。我在前面幾篇短文中涉及到了這個(gè)話(huà)題，但均未展開(kāi)談。關(guān)于人工神經(jīng)網(wǎng)絡(luò )的工作原理和這項研究的歷史沉浮，有關(guān)介紹已有很多，這里不再重復。我主要想討論幾個(gè)被普遍忽視或誤解的概念問(wèn)題。

在實(shí)現“像人一樣的智能”的諸多可能途徑中（見(jiàn)《當你談?wù)撊斯ぶ悄軙r(shí)，到底在談?wù)撌裁?？?/span>），人工神經(jīng)網(wǎng)絡(luò )似乎具有天然的合理性和說(shuō)服力。我們都知道人的智能來(lái)自人腦，而人腦是個(gè)神經(jīng)網(wǎng)絡(luò )，不是嗎？

當然沒(méi)這么簡(jiǎn)單。所謂“人工神經(jīng)網(wǎng)絡(luò )”和人腦中的“神經(jīng)網(wǎng)絡(luò )”只有非常有限的共同點(diǎn)，而不同點(diǎn)則要多得多。我們不能僅僅因為它們名稱(chēng)上的相似性就斷定它們會(huì )有相同的功能。

下圖是參考資料[1]中的深度神經(jīng)網(wǎng)絡(luò )：

這類(lèi)網(wǎng)絡(luò )由若干層組成，每層中的人工神經(jīng)元與相鄰層中的神經(jīng)元相連接。網(wǎng)絡(luò )中的底層接受輸入信號，頂層生成輸出信號，中間層將下層的輸出值做加權求和后經(jīng)一個(gè)“激活函數”產(chǎn)生成本層輸出值，以供上層之用。這樣，每層將一個(gè)“向量”（即一串數值）變成另一個(gè)向量，而整個(gè)網(wǎng)絡(luò )則代表了一個(gè)從輸入層到輸出層的“向量函數”。這里的輸入可以是各種感知信號，中間層代表信號的概括和抽象，而輸出則代表系統的認知結果或應對行為。

說(shuō)這種系統能“學(xué)習”，是指在構建網(wǎng)絡(luò )時(shí)，設計者只需選定神經(jīng)元模型（如激活函數的公式）和網(wǎng)絡(luò )結構（如一共幾層，每層多少神經(jīng)元）等，而將各個(gè)連接上的權值作為待定“參數”。在網(wǎng)絡(luò )的“訓練”過(guò)程中，一個(gè)“學(xué)習算法”根據已知數據對這些參數反復進(jìn)行調整，直到整個(gè)網(wǎng)絡(luò )達到某種預定的標準為止。這時(shí)我們就說(shuō)這個(gè)網(wǎng)絡(luò )“學(xué)會(huì )了”如何識別、區分或應對這種輸入信號。如我在《機器是如何被騙并騙人的？》中所解釋的，這種網(wǎng)絡(luò )就是個(gè)通用函數擬合器。

這種網(wǎng)絡(luò )結構在三十年前就已經(jīng)以“PDP模型”的名稱(chēng)廣為流傳了，只是那時(shí)的網(wǎng)絡(luò )一般只有一個(gè)中間層?！吧疃葘W(xué)習”的貢獻就是增加其“深度”，即中間層的數量。更多的中間層使得系統的行為更復雜，這是顯而易見(jiàn)的，但以前無(wú)法有效的訓練這種系統。深度神經(jīng)網(wǎng)絡(luò )成功的原因公認有三個(gè)：（1）大量的訓練數據（否則無(wú)法確定那么多參數），（2）改進(jìn)了的學(xué)習算法（否則無(wú)法有效利用這些數據），（3）強有力的硬件支持（否則無(wú)法足夠快地完成計算）。

這種人工神經(jīng)網(wǎng)絡(luò )的確是從人腦得到了靈感，但并不是以嚴格模擬后者為目標的。首先，人工神經(jīng)元忽略了人腦神經(jīng)元的很多重要特征，比如說(shuō)激活的時(shí)間模式等。其次，人腦中的神經(jīng)元有很多種，互相的連接方式也遠比上述模型中的要復雜。最后，人腦的學(xué)習過(guò)程不是通過(guò)反復調整權值而“收斂”于一個(gè)特定的輸入輸出關(guān)系的，所以不能被簡(jiǎn)化為函數擬合。

當然，前面提到的人工神經(jīng)網(wǎng)絡(luò )只是現有諸多模型之一，其它模型在某些方面可能更像人腦一些。盡管如此，目前的各種人工神經(jīng)網(wǎng)絡(luò )和人腦中的神經(jīng)網(wǎng)絡(luò )仍有巨大差別。僅僅因為一個(gè)計算機中用了這樣一個(gè)網(wǎng)絡(luò )，就期待它能像人腦一樣工作，這未免太天真了。實(shí)際上這種網(wǎng)絡(luò )的設計者主要關(guān)心的是其實(shí)用性，并非是否像人腦。

試圖嚴格模擬人的神經(jīng)網(wǎng)絡(luò )的另有人在，只不過(guò)他們的目的主要不是為了實(shí)現人工智能，而只是想了解人腦的工作過(guò)程。有些研究者已經(jīng)把“全腦仿真”（whole brain emulation）作為目標了。這項工作當然是很有意義的，因為“模擬”是我們認識一個(gè)對象或過(guò)程的有效手段。一般說(shuō)來(lái)，只要我們能精確地描述一個(gè)過(guò)程，我們就可能編寫(xiě)計算機程序來(lái)模擬它。但即使我們真能精確地模擬人腦中神經(jīng)網(wǎng)絡(luò )的工作過(guò)程，這也離完整地實(shí)現人類(lèi)智能有相當遠的距離。

首先，人腦不僅僅是個(gè)對電信號進(jìn)行處理的神經(jīng)網(wǎng)絡(luò )。比如說(shuō)神經(jīng)遞質(zhì)在神經(jīng)元之間擔當了“信使”的作用，而其中的活動(dòng)是化學(xué)過(guò)程。甚至人腦中的生物過(guò)程和物理過(guò)程都可能對思維產(chǎn)生影響，比如腦供血不足和劇烈運動(dòng)后的眩暈現象。

即使在理論上說(shuō)人腦中的上述過(guò)程也都能模擬，這事也還沒(méi)有完。近年來(lái)認知科學(xué)越來(lái)越強調軀體在思維中的作用（所謂“embodied cognition”，即“具身認知”），就是說(shuō)大腦之外的軀體部分（如外周神經(jīng)系統、感覺(jué)器官、運動(dòng)器官等等）也在思維活動(dòng)中扮演著(zhù)不可或缺的角色。比如說(shuō)，很多抽象概念的意義都是基于軀體活動(dòng)的(如“接受”批評、“推動(dòng)”發(fā)展、“提高”覺(jué)悟等)，那么要完整理解這些概念，一個(gè)系統大概也需要真能“接”、“推”、“提”才行。

“模擬派”的追隨者可能會(huì )說(shuō)人體也是可以用軟硬件模擬的。這“在原則上”自然是正確的，但如果神經(jīng)網(wǎng)絡(luò )之外的部分對實(shí)現智能是必須的，那么單靠人工神經(jīng)網(wǎng)絡(luò )來(lái)完整再現智能大概就是不可能的了。為實(shí)現“像人一樣的智能”，我們需要的不再是“人工神經(jīng)網(wǎng)絡(luò )”，而是包括這樣一個(gè)網(wǎng)絡(luò )的“人造人”。

就算一個(gè)“人造人”被制成了，它大概也不會(huì )是所有人心目中的“人工智能”。對那些以“圖靈測試”為智能標準的人而言，“智能”意味著(zhù)在外部行為上和人不可區分。大部分人都同意完全靠預先設計所有可能的答案來(lái)通過(guò)這個(gè)測試是不大現實(shí)的，而通過(guò)“學(xué)習”才有希望。但這就意味著(zhù)只有類(lèi)人的軀體還不夠，系統還需要類(lèi)人的經(jīng)驗。這就不再僅僅是個(gè)技術(shù)問(wèn)題了。因為我們的經(jīng)驗中的很大一部分是社會(huì )經(jīng)驗，只有當人造人完全被當作人來(lái)對待時(shí)，它才能得到人類(lèi)經(jīng)驗，進(jìn)而獲得人類(lèi)行為。而這將會(huì )在倫理、法律、政治、社會(huì )等領(lǐng)域造成大量問(wèn)題。

上面討論的是用人工神經(jīng)網(wǎng)絡(luò )實(shí)現像人一樣的通用智能的可能性，其結論是：遠沒(méi)有看上去那么有希望，盡管不是完全不可能。但這條路線(xiàn)比可能性更大的問(wèn)題是其合理性和必要性。

人工智能的基本理論預設是把人類(lèi)智能看作“智能”的一種形式，而試圖在計算機中實(shí)現其另一種形式。根據這個(gè)看法，“人工智能”和“人類(lèi)智能”不是在細節上完全一樣，而是在某個(gè)抽象描述中體現著(zhù)同一個(gè)“智能”。如果智能所需的某個(gè)機制在計算機里有更好的實(shí)現方式，那我們沒(méi)必要用人腦的辦法。這方面的一個(gè)例子就是四則運算。

當我們?yōu)橐粋€(gè)對象或過(guò)程建立模型時(shí)，我們總是希望這個(gè)模型越簡(jiǎn)單越好。只有當我們可以在忽略了大量細節的情況下仍然可以準確地刻畫(huà)一個(gè)過(guò)程，我們才算是真正理解了它。因此，如果最后發(fā)現我們只有在嚴格復制人腦、人體及人類(lèi)經(jīng)驗的情況下才能再現智能，那么人工智能應當算是失敗了，而非成功了，因為這說(shuō)明智能只有一種存在方式，而“智能”和“人類(lèi)智能”其實(shí)是一回事。

出于這種考慮，很多人工智能研究者有意識地和人腦的細節保持距離。在從人腦的工作方式中得到靈感的同時(shí)，他們會(huì )考慮在計算機里是否有更簡(jiǎn)單的辦法來(lái)實(shí)現同樣的功能。計算機畢竟不是個(gè)生物體，所以沒(méi)必要模仿人腦的那些純生物特征。同理，對深度神經(jīng)網(wǎng)絡(luò )的研究者來(lái)說(shuō)，他們的網(wǎng)絡(luò )在某些方面不像人腦，這不是個(gè)問(wèn)題，只要這種差別不帶來(lái)功能缺失就行。

這個(gè)問(wèn)題是所有走“仿生”路線(xiàn)的技術(shù)都要面對的，包括近來(lái)大熱的“類(lèi)腦智能”、“類(lèi)腦計算”等。在有關(guān)討論中，一些人只是強調“像人腦那樣”的可能的好處，但完全不提這種模仿的限度。只有當我們能清楚地說(shuō)明哪些東西不用模仿時(shí)，我們才算真正說(shuō)清了哪些東西需要模仿。只是說(shuō)“人腦是這樣的”尚不能成為“計算機也必須這樣”的充分理由。

這里一個(gè)常被提到的例子就是飛機和鳥(niǎo)的關(guān)系。飛機的初始設計的確借鑒了鳥(niǎo)類(lèi)，但顯然不是越像鳥(niǎo)越好。這里自然有可能性的考慮，但更重要的是要飛機完全像鳥(niǎo)既不合理也無(wú)必要。我們當前的課題也同樣。嚴格說(shuō)來(lái)，“人工神經(jīng)網(wǎng)絡(luò )”、“人工大腦”、“人造人”和“人工智能”各是不同的研究目標，各有各的價(jià)值和意義。盡管它們之間有聯(lián)系，仍然不能混為一談，因為設計目標和最佳實(shí)現方法均不同。

在人工智能歷史上，以神經(jīng)網(wǎng)絡(luò )為代表的“聯(lián)結主義”和以推理系統為代表的“符號主義”已經(jīng)競爭了多年，彼此地位的消長(cháng)也經(jīng)歷了幾次反轉了，這有點(diǎn)像光的“粒子說(shuō)”與“波動(dòng)說(shuō)”的斗爭史。時(shí)至今日，大部分人都會(huì )承認這兩個(gè)傳統各有長(cháng)處和短處。在這種情形下，把二者結合起來(lái)就是個(gè)自然的想法了。

問(wèn)題是怎么“結合”。一個(gè)常見(jiàn)的辦法是把兩個(gè)基于不同傳統的子系統整合在一起，讓它們各自完成自己擅長(cháng)的工作，并彼此協(xié)作來(lái)完成整個(gè)任務(wù)。盡管具體做法不同，在這個(gè)方向上的探索成果已經(jīng)不少了。

我自己的方案是把這兩個(gè)傳統以一種更密切的方式統一起來(lái)。如我在參考資料[2]中所論證的，我認為聯(lián)結主義的哲學(xué)假定更正確，但技術(shù)手段太單一；與其相反，符號主義的技術(shù)手段更豐富，但哲學(xué)假定陳舊呆板。其結果就是我的“納思”（見(jiàn)《你這是什么邏輯?》）在理論預設和宏觀(guān)戰略上更接近于聯(lián)結主義傳統，如假定知識和資源不足，容忍多種不確定性，通過(guò)學(xué)習獲得領(lǐng)域知識和技能等；而納思在描述框架和微觀(guān)戰術(shù)上更接近于符號主義傳統，如用語(yǔ)言表達知識，靠概念組織經(jīng)驗，依邏輯進(jìn)行推理等。納思不是把這兩個(gè)傳統“嫁接”在一起，而是把它們“雜交”成了一個(gè)全新的“神經(jīng)（網(wǎng)絡(luò )式的）邏輯”。

像我在《“意思”是什么意思？》中所介紹的，納思也可以被看成一個(gè)網(wǎng)絡(luò )，但它和人腦的相似性不是在神經(jīng)元層面上，而是在概念層面上。這個(gè)網(wǎng)絡(luò )的運行方式和現有的人工神經(jīng)網(wǎng)絡(luò )根本不同，盡管其中的概念關(guān)系也支持多層抽象。那樣的話(huà)，納思到底是個(gè)邏輯還是個(gè)網(wǎng)絡(luò )呢？都是。對象只有一個(gè)，但對它的描述可以使用不同的術(shù)語(yǔ)，以捕捉其不同的側面。這和光的波-粒二相性不乏類(lèi)似之處。

總而言之，我不認為深度神經(jīng)網(wǎng)絡(luò )會(huì )產(chǎn)生通用智能，或是通向這一目標的有效途徑，盡管這種技術(shù)有巨大實(shí)用價(jià)值，并可以為通用智能的研究貢獻想法。人工智能的確要“以腦為師”，但若是亦步亦趨，恐怕會(huì )落個(gè)邯鄲學(xué)步的下場(chǎng)。像我在《人工智能：何為“智”？》中所說(shuō)的，人工智能和人類(lèi)智能應該是“神似”（體現在基本原理上）而非“形似”（體現在結構或行為上）。