「认识AI：人工智能如何赋能商业」【06】感知机的兴衰

作者 | Harper

审核 | gongyouliu

编辑 | auroral-L

我们都会想知道为什么机器学习花了这么长时间才流行起来。毕竟，Arthur Samuel在1959年就创建了他的革命性跳棋程序。机器学习将成为人工智能中最重要的工具，它被科技浪潮裹挟着往前推进。

但是事实是，机器学习在其他创新(比如符号方法)的光芒下退居到次要位置。直到20世纪80年代末到90年代初，研究人员才开始重新思考机器学习。

机器学习的起起落落和再次崛起，这说明只有很少的研究人员将精力投人到这个领域的研究中。

1958年康奈尔大学的Frank Rosenblatt教授创建了人工神经网络的早期版本。他没有使用节点和神经元，而是使用感知机，将它们连接在一起，创造出一种复杂的机器智能形式。

Rosenblatt认为这些感知机是通向人工智能最有希望的途径。他发明了一种叫马克1号感知机的机器。它把成千上万的感知机连接成一个神经网络。它有一个小型摄像机，设计用来学习如何分辨两幅图像之间的差异。不幸的是，即便是经过数千次的尝试，马克1号感知机也很难分辨出哪怕是最基本的图像。

当Rosenblatt正在研究他的马克1号感知机时，麻省理工学院的MarvinMinsky教授正在努力研究一种符号方法。然后Minsky和Rosenblatt就哪种方法是人工智能的最佳途径展开了激烈的辩论。1969年，Minsky与人合著了一本名为Perceptions: An Introduction to computation geometry的书。在书中，他坚决反对Rosenblatt 在人工智能中使用感知机的方法，并证明了它无法很好地处理一些简单的逻辑函数。遗憾的是，这本书出版了几年之后，Rosenblatt因事故去世，没有了他对感知机的持续研究，这个研究项目的大部分经费就被取消了。然后感知机与神经网络的研究也一直停滞不前。

马克一号感知机没有成功的一个原因是它没有包含隐藏层，而隐藏层是使人工神经网络能够解决挑战性问题的关键组件。由于没有隐藏层，马克一号感知机只能解决线性问题。从问题到解决方案必须借助一条直线来实现。

而隐藏层使得网络能够处理非线性问题，比如说，如果你想识别不同种类的小狗，可以将问题层层分解，每一层处理不同的问题。比如第一层识别鼻子，第二层识别眼睛之类的。一层都可以将小狗分类问题分解成属于某个品种的概率问题。

这种多层神经网络的一个主要挑战是，很难让每一层把它学到的知识传递给下一层。20世纪80年代中期，卡内基-梅隆大间学色Geoff Hinton教授找到了训练多层神经网络的有效方法。他使用了一种新的方法训练隐藏层，可以累积更多的信息并传递到下一层。这一方法使得他的人工神经网络能够应对更复杂的挑战、然而，这些早期的人工神经网络能力仍然很有限，它们的速度很慢，必须反复检查同一个问题，才能更好地解决该问题。

后来，在20世纪90年代，Hinton开始从事一个新的领域：深度学习， 这是一种在输入层和输出具层之间包含更多隐藏层的神经网络学习方法。增加的层为人工神经网络提供了更强大的学习能力。深度学习的先驱们还开发了新的方法来促进学习，例如反向传播,这种方法可以让节点之间更快地传递信息。

深度学习网络也使用聚类来辅助识别模式。聚类使网络创建不同的类别，最终具备将新信息分类到这些类别的能力。例如，假设你想使用一个深度学习网络来区分猫和其他动物，你可以把100万张各种动物的照片加载到网络中，网络会把它们聚集成不同的组，在同一组的动物具备相似的特性。然后，每当你将一张照片加载到网络中时，它都会将该照片添加到相关组中。

本内容来源于「数据与智能」创始人刘强翻译的畅销书「认识AI：人工智能如何赋能商业」，喜欢的读者可以点击下面链接直接购买。