人工智能如今已成為大街小巷的熱議話題。企業(yè)為了吸引客戶和目標用戶，在生產(chǎn)產(chǎn)品、提供方案時總會使用機器學習（ML）、深度學習（DL）等花哨的詞匯。但實際上，這些詞匯絕不僅是“噱頭”而已。

在過去數(shù)十年里，能夠解決實際問題的人工智能應用層出不窮，已經(jīng)成為一種全球性的現(xiàn)象。像我這樣努力鉆研機器學習的人成百上千。Andrew Ng是我們的導師，他說道：“一百年前，電的發(fā)明改變了一切，而如今，我很難想象還有哪個行業(yè)在未來幾年內(nèi)不會被人工智能改變?！?/p>

科技大廠了解科技發(fā)展的主流趨勢，且無法承擔技術(shù)落后的風險，所以他們都已適應了此次計算機革命。機器學習發(fā)展前景巨大，若你是一名開發(fā)人員，想要提高自己的技術(shù)水平，那建議你快開始學習它吧。

人工智能已經(jīng)深刻改變了所有主要行業(yè)。人工智能與機器學習在醫(yī)療、神經(jīng)科學、農(nóng)業(yè)、安全、監(jiān)控等領(lǐng)域的跨領(lǐng)域應用數(shù)不勝數(shù)，已經(jīng)成為我們生活中不可或缺的一部分。但這一切是如何開始的呢？還要從幾十年前感知器剛被發(fā)明出來說起。

感知器的故事始于65年前，在開始講述這一故事之前，先簡單了解下“感知器”的定義：感知器既是一種簡易的生物神經(jīng)元人工模型，也是一種用于監(jiān)督學習的單層神經(jīng)網(wǎng)絡算法。它由輸入值、權(quán)重和偏差以及一個激活函數(shù)組成。

單個感知器裝置

不過本文中我們不討論技術(shù)細節(jié)，開始講故事吧。

感知器的興起

1957年1月，弗蘭克·羅森布拉特（Frank Rosenblatt）在位于紐約布法羅的康奈爾航空實驗室公司發(fā)明了感知器，它是神經(jīng)網(wǎng)絡的基本構(gòu)件。這項發(fā)明是論文《感知器——一種感知和識別自動機》的研究結(jié)果。

韋氏詞典將自動機定義為：一種用來自動執(zhí)行預定的操作序列或響應編碼指令的機器或控制機器。

這項研究歷時五年，旨在設(shè)計一個能夠?qū)W習復雜模式、模式感知和泛化的電子大腦模型。其背后的直覺在于建造一個具有類似人類功能的設(shè)備，如感知、形成概念、歸納經(jīng)驗的能力、識別復雜的信息模式以及辨別不同大小、形狀和方向的相似物體。

然而，要執(zhí)行上述操作，傳統(tǒng)的計算機系統(tǒng)需要存儲數(shù)千個甚至數(shù)百萬個模式，然后在需要時，再從這些模式中搜索識別出一個未知模式，這一步計算量非常之大，而且不是一個經(jīng)濟的識別模式或?qū)ο蟮姆椒ā?/p>

為了解決該問題，F(xiàn)rank Rosenblatt提出了一個系統(tǒng)，使其能夠根據(jù)生物大腦的原理工作，用概率方法代替確定性方法來識別模式之間的相似性。他的感知器模型由三大系統(tǒng)組成：

感官系統(tǒng)

交互系統(tǒng)

反映系統(tǒng)

每個系統(tǒng)都將進一步包含相互連接的單元，可以根據(jù)正在識別的模式打開或關(guān)閉這些連接。感官系統(tǒng)會接受輸入模式。交互系統(tǒng)會打開或關(guān)閉特定連接，反映系統(tǒng)會顯示輸出。

賦予感知器模型生命的定制硬件是Mark 1感知器，它主要是為圖像識別而設(shè)計的，外表是一個黑色盒子，很像現(xiàn)在的神經(jīng)網(wǎng)絡，有輸入層、隱藏層和輸出層。

反向傳播的出現(xiàn)

把時間往前倒推幾十年，1986年，Geoffrey Hinton提出了一項成果，這項成果推動了感知器的后續(xù)發(fā)展。

當時他提出了一種名為反向傳播的新型學習程序，后來成為現(xiàn)代神經(jīng)網(wǎng)絡模型的核心。這種技術(shù)通過調(diào)整神經(jīng)網(wǎng)絡模型的權(quán)值來減少實際值和期望值之間的差異。它能使神經(jīng)網(wǎng)絡學習或提取特征，概括輸入的模式或序列，從而對未見的數(shù)據(jù)表示做出相當準確的預測。

多層神經(jīng)網(wǎng)絡模型中的逆向傳播可視化圖片

從那時起，研究開始取得了很大進展?，F(xiàn)在，我們有VGGNet、ResNet、Inception等模型，可以快速準確地對物體進行分類。而所有這些都是基于我們試圖模仿人類大腦的事實。

但問題是，我們是否已經(jīng)了解大腦識別人們在日常生活中所見物體的工作原理？隨著時間的推移，神經(jīng)科學研究人員正在假設(shè)大腦理論，幫助我們了解大腦的學習、感知和記憶模式。

最新的機器學習

杰夫·霍金斯提出了“千腦智能理論”，大致內(nèi)容是解釋人類大腦中的“新皮層”是如何負責對某一對象做出各種模型，然后分層次地進行投票，以達成共識，最后形成觸覺、嗅覺和視覺等感覺。

該理論認為，當我們在現(xiàn)實生活中看到某個物體時，大腦新皮層會激活一組特定的神經(jīng)元。如果現(xiàn)在看到一組有著不同大小和方向的相似物體，那么新皮層也會激活一組類似的神經(jīng)元，這使我們能夠概括出日常生活中看到的物體。雖然沒有那么簡單，但你可以形成一個大致的概念。

這與傳統(tǒng)的機器學習或尖端的深度學習不同，后者需要大量的輸入來學習模式，然后進行預測。

可視化新皮層中神經(jīng)元的層次結(jié)構(gòu)（圖源：Pixabay，靈感來源： Numenta HTM）

杰夫·霍金斯創(chuàng)立了Numenta公司，正致力于將《千腦智能理論》等頂尖的神經(jīng)科學理論與人工智能相結(jié)合，從而創(chuàng)造出真正的智能機器，其工作原理與生物大腦相同。盡管前路漫漫，但我們堅信前進方向是正確的。因為我們已經(jīng)取得了重大進展，而感知器是這一切的關(guān)鍵。

故事仍在繼續(xù)。..

作為一個有志于從事數(shù)據(jù)科學研究的人，我要感謝計算機科學領(lǐng)域的早期思想家。感謝1642年布萊斯·帕斯卡（ Blaise Pascal）發(fā)明第一臺機械計算器，感謝1842年艾達·洛芙萊斯（Ada Lovelace）第一次描述解決數(shù)學問題的運算順序，感謝1950年艾倫·圖靈（Alan Turing）創(chuàng)造了舉世聞名的圖靈測試，感謝歷史上所有做出貢獻的人。..。..

隨著如今人工智能的不斷進步，我們往往會忘記曾經(jīng)遭遇的挫折，但正是這些挫折成就了今天的杰出工作。對研究人員來說，具有研究并主動推理直覺的能力是最大的財富。所以，就讓直覺帶你領(lǐng)略科學的偉大，成為此次技術(shù)革命的參與者吧。
責編AJX