首页 >> 社科基金 >> 基金管理 >> 成果发布
深度学习推进人工智能变革
2018年02月06日 15:45 来源:中国社会科学网-中国社会科学报 作者:舒跃育 刘红梅 字号
关键词:人工智能;学习;计算机;网络;算法

内容摘要:但机器学习算法为计算机提供了这样一种可能,那就是计算机可以通过某种特殊的算法,自己编写新的程序让自己执行——有效实现自己提升自己的过程。简单来说,机器学习专门研究计算机怎样模拟或实现人类的学习行为的领域,它通过算法,使得机器能从大量的历史数据中学习规律,从而对新的样本做出智能识别或对未来进行预测。人工智能、机器学习和深度学习是一种包含的关系。而深度学习则是让计算机自动学习有用的特征,并将特征学习融入到建立模型的过程中,从而减少了人为提取特征过程中的一些不足。因此,现在有必要借助心理学等相关学科的成果来深入了解人类智能相对于现有人工智能水平的差异,进而从“强认知”的视野来启发人工智能的发展进程,使得其早日步入“强人工智能”的发展水平。

关键词:人工智能;学习;计算机;网络;算法

作者简介:

  近年来,随着人工智能的快速发展,“深度学习”这个词也逐渐受到人们的关注。那么,人工智能与深度学习是什么关系呢?

  1956年,在达特茅斯会议上,计算机科学家首次提出了“人工智能”概念,从此开启了人工智能研究的大门。当时人们的目的是,试图制造出能够使用语言、形成抽象概念、解决人类尚无法解决的问题并提升自己的机器。但直到机器学习被广泛推广之前,计算机能完成的只是执行人类编写的指令,而不能自己给自己编写指令。因此,当时的智能机器还算不上能自己“提升”自己。但机器学习产生之后,给人工智能带来了巨大变化。

  在传统上,计算机要完成一件事情,人们得先编写好计算机能读取并能执行的程序。换句话说,如果无法实现对目标行为过程的计算机表征,这个行为就不可能让计算机完成。但机器学习算法为计算机提供了这样一种可能,那就是计算机可以通过某种特殊的算法,自己编写新的程序让自己执行——有效实现自己提升自己的过程。对于传统的计算机而言,在输入“数据”和“算法”后,它给出我们想要的“结果”。机器学习则颠倒了这个过程:输入“数据”和“结果”,输出的则是“算法”。通过机器学习算法能产生新的算法,计算机就能自己编写新的程序。这就是说,许多程序不再需要人类工程师绞尽脑汁将某个过程转化为计算机可以理解的表征形式,计算机可自行完成这个过程。

  简单来说,机器学习专门研究计算机怎样模拟或实现人类的学习行为的领域,它通过算法,使得机器能从大量的历史数据中学习规律,从而对新的样本做出智能识别或对未来进行预测。作为机器学习众多算法中的一种,深度学习是实现机器学习的一项重要技术。人工智能、机器学习和深度学习是一种包含的关系。

  深度学习源于人工神经网络的研究,属于机器学习中的仿生学派。它采用了与神经网络相似的分层结构,整个系统是由输入层、隐藏层(多层)、输出层组成的多层次网络。深度学习非常像人的学习过程,必须一层一层地抽象才能理解更深的概念,之所以叫“深度”也是因为其有多层的学习网络,每一层是把特征抽象成更高阶的概念,去理解非常复杂的事物。

  神经科学家通过探究人类获取知识的神经活动过程发现,人脑并不是直接根据外部世界所呈现的刺激获取信息,而是根据经聚集和分解过程处理后的信息来识别物体。以视觉为例,视皮层的功能是对感知信号进行特征提取和计算,而不仅仅是简单地重现视网膜的图像。那么,计算机可否像人类一样,通过对输入信息的某种处理从而获得对象有用的结构信息?于是学者们将这个问题转化成为如何依据训练样本获得关于输入和输出之间本质关系的问题。人们采用反向传播(Back Propagation)的学习算法来解决这个问题。

  反向传播是一种将估计误差梯度由输出端反向传播给输入端并由此完成网络参数(突触权值)更新的算法。具体而言,首先按照已有的知识设定神经网络的参数,然后对训练集中的任意输入的训练样本x,通过当前的网络参数(突触权值)就能算出输出的估计值ypred,将这个估计值与训练样本x真实产生的y值相比较,并其误差(y-ypred)2 作为目标函数修正当前网络参数。然后依据相关的数学原理,通过训练集中的大量样本(大数据)将误差由输出端不断地反向传递到输入端,从而完成网络参数的不断更新,直到网络达到对参数(权值)没有显著修正的稳定状态为止——因为这时候,计算机已经发现输入(数据)与输出(结果)之间的本质关系,即知识。此过程的最大特点是,事先不对输入与输出之间的内在关系进行任何预设。也就是说,人工神经网络具备了通过调整突触权值以适应外界环境变化的能力,即学习的能力。

  人工神经网络是从信息处理的角度,对人脑神经元网络进行抽象的计算模型,目的是让计算机能够模拟人脑的思考方式来解决一些抽象的问题。在传统的模式识别中,特征的提取方式主要是靠人工提取或设计的。而深度学习则是让计算机自动学习有用的特征,并将特征学习融入到建立模型的过程中,从而减少了人为提取特征过程中的一些不足。深度学习模型的表达能力强,能够更好地处理诸如目标和行为识别这种非常复杂的问题。它是对人类大脑皮层的最好模拟,能够学习到多层的非线性函数关系,这种关系使得人们能够更好地对视觉信息进行建模,从而更好地处理图像和视频。深度学习在语言和图像识别方面取得的效果,远远超过先前的相关技术。

  深度学习带来了人工智能的一个新浪潮,“大数据+深度模型”时代由此来临。在以深度学习为核心的理论和技术的支持下,人工智能被广泛地应用在金融(营销、客户关系管理等)、科学研究、国家安全等领域。人类进入生命进化的一个新阶段。

  但与此同时,当前以深度学习为核心技术的人工智能依然处于约翰·塞尔所说的“弱人工智能”阶段。虽然AlphaGo可以击败围棋高手,但它并不“懂”棋,恰如计算器可以帮助计算,却并不“懂”数学一样。事实上,机器的“智能”相对于人类的“认知”能力还不可同日而语。在人工智能与人类智能的对比中,彰显的不是人类认知能力的不足,而是人类智能在物种适应环境中优越的一面。因此,现在有必要借助心理学等相关学科的成果来深入了解人类智能相对于现有人工智能水平的差异,进而从“强认知”的视野来启发人工智能的发展进程,使得其早日步入“强人工智能”的发展水平。

 

  (本文系2017年度西北师范大学青年教师科研能力提升计划项目“心理学学科分裂危机的理论根源及整合的哲学基础”(SK17005)阶段性成果)

  (作者单位:西北师范大学心理学院)

作者简介

姓名:舒跃育 刘红梅 工作单位:西北师范大学心理学院

课题:
  • 本文系2017年度西北师范大学青年教师科研能力提升计划项目“心理学学科分裂危机的理论根源及整合的哲学基础”(SK17005)阶段性成果

转载请注明来源:中国社会科学网 (责编:齐泽垚)
11.jpg
用户昵称:  (您填写的昵称将出现在评论列表中)  匿名
 验证码 
所有评论仅代表网友意见
最新发表的评论0条,总共0 查看全部评论

回到频道首页
wxgg3.jpg
内文页广告3(手机版).jpg
中国社会科学院概况|中国社会科学杂志社简介|关于我们|法律顾问|广告服务|网站声明|联系我们