文章来源于中国论文网 原文地址:https://www.xzbu.com/8/view-8954377.htm

1 传统人工智能的研究思路 
　　人工智能研究思路基本分为两种，一种自上而下，其代表的“专家系统”，就是用大批的假设If-Then的规则定义的。人脑的功能区域的划分利用了自上而下的研究方法。而另一种自下而上就是人工神经网络（Artifical Neural Network简写ANNs），这种方法提供了人工神经网络的层次，并且这种层次能够单个处理问题，或称其为模式。 
　　然而自图灵提出“机器与智能”一来，两派观点就一直存在，这一直是人工智能领域中永不磨灭的话题，彼此争论不休。一派看点问题自上向下，认为实现人工智能必须要用逻辑和符号系统。另一派自下而上，这派认为通过模仿创造大脑可以达到人工智能，也就是说，如果一台计算机能够模拟出大脑中的生物神经网络，那么这台机器就是有智能的了。用庸俗的哲学词来说，就是前者观点唯心，后者唯物。

　　2 神经网络与生物神经网络 
　　其实神经网络作为人工智能的基石般的存在，在广义的神经网络可以指两种，一种是生物神经网络，一般指的是生物的细胞，触电，大脑神经元等等所组成的网络，其作用是产生生物意识，进行行动与思考。另一个就是这种人工神经网络，也简称为神经网络（NNs）或连接模型（Connection Model），这是一种以模仿动物生物神经网络行为的特征，是一种算法数据模型，进行分布式并行信息处理。神经网络特别依赖系统的复杂性，必须经过自身调整内部大量节点之间的互相关系与彼此关联，从而达成信息处理的目的。如图2所示。 
　　人类智能在宏观上有心理学，微观上有分子生物学等学科研究。没有任何学科能告诉清楚的我们：智能是如何产生的，智能的意义。即使科技发展到现在，我们已经比较清楚了解大脑了，但人类智能仍然是个黑盒子。 
　　最初目的计算机的产生就是代替传统人工来计算繁杂、庞大的数据，在计算方面让人类望尘莫及的速度优势。然而对于三岁小孩能够瞬间分辨小猫小狗、爸爸妈妈、花鸟鱼虫，计算机却不能。 
　　3 深度学习的骨骼 
　　随着神经网络的诞生让几乎停滞不前的分类识别领域有了重大突破。神经元，神经网络的基本组成部分，其实在神经网络也没有正式的严格定义，基本特点就是受到了人脑神经元的工作原理启发，试图模仿大脑神经元的传递功能和处理信息的模式。通常一个计算模型需要大量彼此链接的神经元，并且每个神经元通过激励函数（输出函数），通过来自其他相邻神经元的加权值来计算处理。加权值，算法会不断通过自我学习调整大小，其实就是神经元之间信息，其实加权值换而言之就是神经元之间信息传递的强度。 
　　训练出一个符合预期或者超出预期的神经网络模型，还需要大量的数据进行训练，在次基础上还需要成本函数、学习的算法。 
　　所谓成本函数就是对特定输入值，对计算出来的输出结果进行对比，和函数估计的正确值差距。学习的算法就是根据成本函数的结果，进行自学和纠错，以最快的方式找到神经元之间最优化的加权值。 
　　简而言之，神经网络算法的核心就是计算、连接、评估、纠错、疯狂培训。随着神经网络研究的不断更替、变迁，其计算特点和传统的生物神经元的连接模型渐渐脱钩。但是它保留的精髓是：非线性、分布式、并行计算、自适应、自组织。 
　　人工智能研究者习以为常的喜欢用“神经元”一类的名词用来给人们一种科研成果转换的错觉，几乎没有人工智能研究者真正做过人脑或者认知科学的相关研究，甚至有些所谓的“专家”，几乎对人脑的意识是怎样的工作完全不敢兴趣，也从来没有深入的研究过。神经为网络的神经元只是借用了生物学的名词，实际和人脑没有什么直接关系，而人工神经网络有时被用来理解大脑机制，但是总体来说，并不是被设计来模拟生物机制。
　　�F如今，神经网络被认为是深度学习研究人员的重要灵感来源之一，但它不再是这一领域的决定性指导方针。神经网络在深度学习领域失去影响力的主要原因是我们没有关于大脑的足够信息。神经网络给我们一个理由来希望单一的深度学习算法可以解决许多不同的任务。现在深度学习从很多领域汲取灵感，特别是应用数据的基础如线性代数、概率、信息论和数值优化。当一些深度学习研究人员把神经网络作为一个重要的灵感来源。 
　　4 结语 
　　无论在图像，自然语言甚至情感计算，深度学习使得机器学习乃至人工智能整个领域呈现了更多的实际应用。伴随着深度学习的发展，使得事情都可以在机器的且协助成为可能。人工智能甚至可能一直发展达到满足我们一直有以来对科学幻想的状态。