神经网络 人工智能-人工神经网络算法教程

在过去的10年里，世界计算能力变得先进和可应用，以至于几十年前就已经概念化的机器学习最终让每个人都可以使用。

We marveled at our own magnificence as we gave birth to AI.

-Morpheus, the Matrix

尽管听起来很诗意，但这离真实不远了，因为这个预言是以神经网络的形式具体化的。与需要人工干预来执行特征选择的经典机器学习模型相比，神经网络会自行选择特征。

一旦数据被转换为适合神经网络，模型会自行处理特征选择，执行个案分析，而不是寻找整体规则来理解数据。

这在物体检测或人脸识别等过于复杂的问题上变得非常有用，比如：将人类排除在训练过程之外，可以使神经网络更加强大和自动化。

通用人工智能

神经网络在训练时，很容易被训练得过多或过少。网络本身无法理解如何通过强力训练获得最佳的训练量，所以需要掌握神经网络数学的合格开发人员需要监督模型的训练，从数据收集到模型训练。

如果没有编码经验，以目前的技术，无论多么有创意，都无法解决这个问题。

这需要一个受过这方面教育的人来创建一个神经网络，因为无论我们投入多少计算能力，没有可以从当前模型中出现的自我进化的模拟神经结构。

简而言之，虽然通用人工智能的想法是可能的，但我们距离开发它还有几十年的时间。

神经网络与我们的大脑有多相似？

说到这里，如果神经网络的工作方式与我们的大脑相似，我们难道不能创建一个与我们的物理中央处理单元具有相同潜力的巨大神经网络吗？

这个猜想是不准确的。

真实神经元与模拟神经元

首先，模拟神经网络并不能完全模拟我们的大脑。到现在为止神经网络 人工智能，即使是世界上最先进的技术，这也是不可能的。相反，他们模拟了它的抽象。

这使我们可以直接比较物理神经元和模拟神经元。真正的神经元比我们想象的要复杂得多。

真实神经元的解剖

Anatomy of a real neuron

由于DNA具有压缩信息存储的能力，真实细胞的复杂性如此之高，甚至对我们来说都几乎是模糊的。每个神经元都有一个电信号，其中包含大量的压缩信息。

信息，以电脉冲的形式，通过一种叫做突触的连接传递到另一个神经元，并通过轴突。

模拟神经元的解剖

Anatomy of a simulated neuron

为了模拟物理神经元，我们将它们简化为数据结构:默认情况下，每个模拟神经元最多可以包含两个数字。这比物理世界简单多了。因此，说模拟神经元是基于物理神经元是不准确的。

Backpropagation in action

我们试图模拟的是网络内的信息流，因为数据在大脑和人工神经网络中都会反向传播。这只不过是一个简单的抽象。

信息流

第二件事，人工神经网络使用数学过程来转换数据。我们的大脑尽管可能很先进，但不会将信息存储为可变的，而且肯定不会考虑微积分规则对连续值进行计算。

Image of gradient descent

在神经网络中，随着神经网络变得越来越专业，以了解所输入数据的模式，计算是迭代执行的。

Gradient descent formulas that use the Chain Rule

我们的大脑不会坚持数学准确性。这使得物理信息流和模拟信息流成为两个完全不同的过程。

总结

虽然公众的看法旨在提出人工智能作为即将到来的解决方案，以奇点的形式解决所有仍然困扰人类的问题，但我可以向您保证神经网络 人工智能，没有一个模型，无论我们拥有多少计算能力，都无法达到甚至接近通用人工智能的概念。

所以让人工智能有自主意识还有很长的一段路要走。有生之年还是可以期待一下。

原文链接：