人工智能已经成为大街小巷的热门话题。为了吸引客户和目标用户，企业在生产产品和提供解决方案时，总是使用机器学习（ML）、深度学习（DL）等花哨的词汇。但实际上，这些话绝不只是“噱头”。在过去的几十年里，能够解决实际问题的人工智能应用的出现已经成为一种全球现象。有数百人像我一样在机器学习方面苦苦挣扎。AndrewNg是我们的导师。他说：“一百年前，电的发明改变了一切。今天，我很难想象未来几年内有哪个行业不会被人工智能改变。”技术发展的主流趋势，并不能承受技术落后的风险，所以纷纷适应了计算机革命。机器学习具有巨大的发展潜力。如果你是开发者，想提升自己的技术水平，建议你开始学习。人工智能已经深刻改变了所有主要行业。人工智能和机器学习在医疗、神经科学、农业、安防、监控等领域的跨领域应用数不胜数，已经成为我们生活中不可或缺的一部分。但这一切是如何开始的？回到几十年前感知器被发明的时候。感知器的故事始于65年前。在开始讲故事之前，我们先简单了解一下“感知器”的定义：感知器不仅是简单的生物神经元人工模型，还是一种用于监督学习的神经网络。单层神经网络算法。它由输入值、权重和偏差以及激活函数组成。SinglePerceptronDevice但我们不会在本文中讨论技术细节，让我们开始讲故事。感知器的兴起感知器是纽约州布法罗康奈尔航空实验室的弗兰克·罗森布拉特(FrankRosenblatt)于1957年1月发明的，它是神经网络的基本构建块。本发明是论文《感知器——一种感知和识别自动机》的研究成果。Merriam-Webster将自动机定义为：设计用于自动执行预定操作序列或响应编码指令的机器或控制机器。这项为期五年的研究旨在设计一个能够学习复杂模式、模式感知和概括的电子大脑模型。它背后的直觉是构建一个具有类人功能的设备，例如感知、形成概念的能力、概括经验、识别信息的复杂模式以及区分不同大小、形状和方向的相似物体。神经元细胞-由brgfx工具创建的背景矢量图像|来源：freepik素材库然而，要进行上述操作，传统的计算机系统需要存储几千甚至上百万的图案，然后在需要的时候，从这些图案中搜索识别出一个未知的图案，这个步骤计算量很大，不是一个识别图案或物体的经济方式。为了解决这个问题，FrankRosenblatt提出了一个基于生物大脑原理的系统，用概率方法代替确定性方法来识别模式之间的相似性。他的感知器模型由三个主要系统组成：感觉系统交互系统反射系统每个系统将进一步包含相互连接的单元，这些单元可以根据被识别的模式打开或关闭。感觉系统接受输入模式。交互系统打开或关闭特定连接，反射系统显示输出。为感知器模型赋予生命的定制硬件是Mark1感知器，主要设计用于图像识别，作为一个黑匣子，很像现代神经网络，具有输入、隐藏和输出层。MarkIPerceptron-CornellUniversityNewsAgencyRecords,#4–3–15,CornellUniversityLibrariesPreservesandManuscriptsCollection反向传播的出现使时间倒退了几十年，1986年，GeoffreyHinton提出了导致感知器后续发展的结果。当时他提出了一种称为反向传播的新学习程序，后来成为现代神经网络模型的核心。该技术通过调整神经网络模型的权重来减少实际值与预期值之间的差异。它使神经网络能够学习或提取概括为模式或输入序列的特征，从而对不可见的数据表示做出相当准确的预测。从那时起，多层神经网络模型中反向传播的可视化研究取得了长足的进步。现在，我们有了VGGNet、ResNet、Inception等模型，可以快速准确地对对象进行分类。所有这一切都基于我们正在尝试模仿人脑这一事实。但问题是，我们是否已经了解大脑如何识别人们在日常生活中看到的物体？随着时间的推移，神经科学研究人员正在假设大脑理论，帮助我们理解大脑的学习、感知和记忆模式。最新的机器学习杰夫霍金斯提出了“千脑智能理论”。从而达成共识，最终形成触觉、嗅觉和视觉等感官。该理论认为，当我们在现实生活中看到一个物体时，新皮质会激活一组特定的神经元。如果我们现在看到一组不同大小和方向的相似物体，新皮质也会激活一组相似的神经元，这使我们能够概括我们在日常生活中看到的物体。这不是那么简单，但你可以形成一个粗略的想法。这不同于传统的机器学习或前沿的深度学习，后者需要大量输入来学习模式，然后做出预测。可视化大脑皮层神经元的层次结构（图片来源：Pixabay，灵感来源：NumentaHTM）JeffHawkins创立了Numenta，致力于将《千脑智能理论》等顶级神经科学理论与人工智能相结合，从而创造出真正智能的机器，可以工作基于与生物大脑相同的原理。尽管前路漫漫，但我们坚信，我们正朝着正确的方向前进。因为我们已经走了很长一段路，而感知器是这一切的关键。故事还在继续……作为一名有抱负的数据科学研究者，我要感谢计算机科学领域的早期思想家。感谢1642年发明第一台机械计算器的BlaisePascal，感谢1842年首次描述解决数学问题的运算顺序的AdaLovelace，以及1950年感谢Allen的AlanTuring创造了举世闻名的图灵测试，感谢所有这些人在历史上做出过贡献……在人工智能不断进步的今天，我们往往会忘记曾经遇到过的挫折，但正是这些挫折成就了今天的杰出工作。对于研究人员来说，研究直觉并积极推理的能力是最大的财富。因此，让您的直觉引导您领略科学的伟大，成为这场技术革命的参与者。本文转载自微信公众号“读芯”，可通过以下二维码关注。转载本文请联系芯读公众号。
