像大脑一样思考,深度学习如何让人工神经网络重现生机

摘要: 最近,以色列公司Deep Insinct最近正在开发一种防毒软件。这种软件应用了人工神经网络技术,能够自动辨别恶意代码,从而将病毒扼杀在萌芽之中。尽管,人工神经网络技术还不够成熟,但在未来,这项技术将对许多行业产生重大影响。甚至改变行业规则,使各个行业得到更加迅猛的发展。

最近,以色列公司Deep Insinct最近正在开发一种防毒软件。这种软件应用了人工神经网络技术,能够自动辨别恶意代码,从而将病毒扼杀在萌芽之中。人工神经网络始于上个世纪40年代,到了今天,它已经被广泛应用于各个领域。人工神经网络的概念早在上个世纪40年代就被提出,但由于自身所存在的一些缺陷,使其一度“遇冷”。直到Geoffrey Hinton提出了“深度学习”的概念,才使得人工神经网络重新焕发生机。也使得这一技术备受瞩目,得到了学术界与科技界的青睐。

一、人工神经网络在各领域用途广泛

除了对杀毒软件行业产生积极影响之外,人工神经网络在其他行业也发挥着重要作用。人工神经网络是一种应用于大脑神经突触联接的结构进行信息处理的数学模型,在工程与学术界也常直接简称为神经网络或类神经网络。人工神经网络是目前国际上发展迅速的前沿交叉学科,也是人工智能学科的重要分支。经过几十年的发展,人工神经网络在许多领域都被广泛应用。

军事领域

在战场上,军事系统面临着在恶劣的战时环境中无法获得完整的、精确的信息等诸多问题。传统的战场决策系统,往往是根据专家已有的知识建立起来的。这种决策体系难以应付复杂多变的战场环境。而人工神经网络能够以非线性和并行处理为基础,自动组织思维和记忆进行大规模的运算,并且能够识别图像,对信息进行检测与分类,这恰恰能够弥补传统军事系统的缺陷。

基于此,各国都非常重视人工神经网络在军事领域的应用。如美国的DARPA(美国国防高级研究计划)、德国的“欧洲防御”计划等。DARPA于1988年制定了“神经计算机技术计划”,并投资4亿美元,用于推动神经网络计算机的军事应用。经过努力,这项计划取得了很好的成果。

自动控制领域

“控制论”是由美国应用数学家Norbert Wiener提出的, “控制”的定义是:为了“改善”某个或某些受控对象的功能或发展,需要获得并使用信息,以这种信息为基础而选出的、于该对象上的作用,就是控制。自动控制是控制论的分支学科,涉及到数学、信息、电子等诸多领域。自动控制技术的研究有利于将人类从复杂、危险、繁琐的劳动环境中解放出来并大大提高控制效率,其应用和影响已遍及许多领域。

在自动控制发展的过程中,计算机科学一直对它产生着巨大的影响。但是,随着科学技术的发展,对控制系统智能化的要求也越来越高,基于串行计算的Von Neumann计算机面对复杂的智能控制系统逐渐显现出运作困难与其本身的局限性。而人工神经网络则采用并行计算方法,加之其对复杂的、不确定的问题拥有自适应性和自学能力,使人工神经网络为自动控制摆脱困境提供了一条可行的道路。

目前,人工神经网络已渗透自动控制领域,并显现出继续上升的势头。

医学领域

在这一领域,人工神经网络同样有着重要的作用。人工神经网络可以针对心电、肌电、脑电等信号进行检测,并做出分析和识别;人工神经网络可以模拟人的心血管系统,并且与人体实际的生理测量结果进行对比,从而检测出人体的健康状况,利用这一技术能够及时检测出人体的健康隐患,使更多人免受疾病的痛苦;人工神经网络还可以将治疗疾病的思维过程编辑成计算机程序,建立医学专家系统,用来模拟医学专家的诊断。这一系统可以帮助医生解决一些复杂的医学难题,用于辅助治疗。

此外,人工神经网络还可以应用于陶瓷、造纸、经济等领域。人工神经网络之所以被广泛应用,是由于其蕴含的深度学习技术。

二、深度学习使人工神经网络焕发生机,备受科技界青睐

人工神经网络存在了几十年,但在近几年才开始迅猛发展,主要原因是由于1969年图灵奖获得者M.L.Minsky和近代人工智能领域先驱者之一Seymour Papert合写了一本名为《Perceptrons》的书。Perceptron(感知器)是上世纪50年代由就职于Cornell航空实验室的Frank Rosenblatt所发明的人工神经网络模型,而《Perceptrons》一书则对感知器的局限性进行了分析。由于两位作者在人工智能领域的影响,加之其确实存在许多缺陷,使得人工智能网络一度遇冷。直到深度学习概念的出现,才使得人工智能网络重新焕发生机。

深度学习这一概念是由多伦多大学教授Geoffrey Hinton在2006年提出的。对于这一概念,Geoffrey Hinton表示:“我非常兴奋,我们发现一种可以使神经网络变得更好的方法,尤其是这种方法能够揭示大脑是如何工作的时候。”深度学习概念的提出燃起了学术界对于人工智能网络的热情,出现了许多优秀的研究成果:比如蒙特利尔大学的Bengio研究组提出了基于自编码器(auto-encoder)的深度学习网络,斯坦福大学的Ng研究组提出了一系列基于稀疏编码的深层学习网络等。

学术界对深度学习的热情也蔓延到了科技界。谷歌在公开场合讨论深度学习技术,开发了具备自我学习功能的人脑模拟软件“谷歌大脑”,聘请Geoff Hinton指导公司的深度学习技术;微软研制了一款名为“亚当(Adam)”的人工智能项目,它的图像识别技术是之前深度学习系统的两倍,并可以节约30倍的内存。微软研究院院长 Peter Lee 表示:“Adam 是在人类在探究建造更强大的大脑时的一次探索”;苹果公司于上个月收购了人工智能初创企业Perceptio和VocalIQ,在深度学习行业发力;百度公司则聘请了“人工智能泰斗”吴恩达为百度首席科学家,负责“百度大脑”的开发。百度深度学习实验室负责人余凯说:“百度大脑的深度学习技术,现在已经有能力构建规模达到200亿个参数的深度神经网络。”从科技界巨头对这一技术的青睐可以看出这是一个拥有巨大潜力的市场,其前景非常广阔。

尽管人工神经网络技术还不够成熟,但在未来,这项技术将对许多行业产生重大影响。甚至改变行业规则,使各个行业得到更加迅猛的发展。(本文首发钛媒体)

【钛媒体作者介绍:文/东方亦落】

本文系作者 最极客 授权钛媒体发表,并经钛媒体编辑,转载请注明出处、作者和本文链接
分享到:

第一时间获取TMT行业新鲜资讯和深度商业分析,请在微信公众账号中搜索「钛媒体」或者「taimeiti」,或用手机扫描左方二维码,即可获得钛媒体每日精华内容推送和最优搜索体验,并参与编辑活动。

最极客
最极客

关注前沿科技与极客文化。QQ:1491230691

评论(1

  • 史涛 史涛 2015-11-03 08:23 via android

    深度学习

    0
    0
    回复

Oh! no

您是否确认要删除该条评论吗?

分享到微信朋友圈