在過(guò)去的10年里，世界計(jì)算能力變得先進(jìn)和可應(yīng)用，以至于幾十年前就已經(jīng)概念化的機(jī)器學(xué)習(xí)最終讓每個(gè)人都可以使用。

We marveled at our own magnificence as we gave birth to AI.

-Morpheus, the Matrix

盡管聽(tīng)起來(lái)很詩(shī)意，但這離真實(shí)不遠(yuǎn)了，因?yàn)?strong>這個(gè)預(yù)言是以神經(jīng)網(wǎng)絡(luò)的形式具體化的。與需要人工干預(yù)來(lái)執(zhí)行特征選擇的經(jīng)典機(jī)器學(xué)習(xí)模型相比，神經(jīng)網(wǎng)絡(luò)會(huì)自行選擇特征。

一旦數(shù)據(jù)被轉(zhuǎn)換為適合神經(jīng)網(wǎng)絡(luò)，模型會(huì)自行處理特征選擇，執(zhí)行個(gè)案分析，而不是尋找整體規(guī)則來(lái)理解數(shù)據(jù)。

這在物體檢測(cè)或人臉識(shí)別等過(guò)于復(fù)雜的問(wèn)題上變得非常有用，比如：將人類(lèi)排除在訓(xùn)練過(guò)程之外，可以使神經(jīng)網(wǎng)絡(luò)更加強(qiáng)大和自動(dòng)化。

通用人工智能

神經(jīng)網(wǎng)絡(luò)在訓(xùn)練時(shí)，很容易被訓(xùn)練得過(guò)多或過(guò)少。網(wǎng)絡(luò)本身無(wú)法理解如何通過(guò)強(qiáng)力訓(xùn)練獲得最佳的訓(xùn)練量，所以需要掌握神經(jīng)網(wǎng)絡(luò)數(shù)學(xué)的合格開(kāi)發(fā)人員需要監(jiān)督模型的訓(xùn)練，從數(shù)據(jù)收集到模型訓(xùn)練。

如果沒(méi)有編碼經(jīng)驗(yàn)，以目前的技術(shù)，無(wú)論多么有創(chuàng)意，都無(wú)法解決這個(gè)問(wèn)題。

這需要一個(gè)受過(guò)這方面教育的人來(lái)創(chuàng)建一個(gè)神經(jīng)網(wǎng)絡(luò)，因?yàn)闊o(wú)論我們投入多少計(jì)算能力，沒(méi)有可以從當(dāng)前模型中出現(xiàn)的自我進(jìn)化的模擬神經(jīng)結(jié)構(gòu)。

簡(jiǎn)而言之，雖然通用人工智能的想法是可能的，但我們距離開(kāi)發(fā)它還有幾十年的時(shí)間。

神經(jīng)網(wǎng)絡(luò)與我們的大腦有多相似？

說(shuō)到這里，如果神經(jīng)網(wǎng)絡(luò)的工作方式與我們的大腦相似，我們難道不能創(chuàng)建一個(gè)與我們的物理中央處理單元具有相同潛力的巨大神經(jīng)網(wǎng)絡(luò)嗎？

這個(gè)猜想是不準(zhǔn)確的。

真實(shí)神經(jīng)元與模擬神經(jīng)元

首先，模擬神經(jīng)網(wǎng)絡(luò)并不能完全模擬我們的大腦。到現(xiàn)在為止，即使是世界上最先進(jìn)的技術(shù)，這也是不可能的。相反，他們模擬了它的抽象。

這使我們可以直接比較物理神經(jīng)元和模擬神經(jīng)元。真正的神經(jīng)元比我們想象的要復(fù)雜得多。

真實(shí)神經(jīng)元的解剖

由于DNA具有壓縮信息存儲(chǔ)的能力，真實(shí)細(xì)胞的復(fù)雜性如此之高，甚至對(duì)我們來(lái)說(shuō)都幾乎是模糊的。每個(gè)神經(jīng)元都有一個(gè)電信號(hào)，其中包含大量的壓縮信息。

信息，以電脈沖的形式，通過(guò)一種叫做突觸的連接傳遞到另一個(gè)神經(jīng)元，并通過(guò)軸突。

模擬神經(jīng)元的解剖

為了模擬物理神經(jīng)元，我們將它們簡(jiǎn)化為數(shù)據(jù)結(jié)構(gòu):默認(rèn)情況下，每個(gè)模擬神經(jīng)元最多可以包含兩個(gè)數(shù)字。這比物理世界簡(jiǎn)單多了。因此，說(shuō)模擬神經(jīng)元是基于物理神經(jīng)元是不準(zhǔn)確的。

我們?cè)噲D模擬的是網(wǎng)絡(luò)內(nèi)的信息流，因?yàn)閿?shù)據(jù)在大腦和人工神經(jīng)網(wǎng)絡(luò)中都會(huì)反向傳播。這只不過(guò)是一個(gè)簡(jiǎn)單的抽象。

信息流

第二件事，人工神經(jīng)網(wǎng)絡(luò)使用數(shù)學(xué)過(guò)程來(lái)轉(zhuǎn)換數(shù)據(jù)。我們的大腦盡管可能很先進(jìn)，但不會(huì)將信息存儲(chǔ)為可變的，而且肯定不會(huì)考慮微積分規(guī)則對(duì)連續(xù)值進(jìn)行計(jì)算。

在神經(jīng)網(wǎng)絡(luò)中，隨著神經(jīng)網(wǎng)絡(luò)變得越來(lái)越專(zhuān)業(yè)，以了解所輸入數(shù)據(jù)的模式，計(jì)算是迭代執(zhí)行的。

我們的大腦不會(huì)堅(jiān)持?jǐn)?shù)學(xué)準(zhǔn)確性。這使得物理信息流和模擬信息流成為兩個(gè)完全不同的過(guò)程。

總結(jié)

雖然公眾的看法旨在提出人工智能作為即將到來(lái)的解決方案，以奇點(diǎn)的形式解決所有仍然困擾人類(lèi)的問(wèn)題，但我可以向您保證，沒(méi)有一個(gè)模型，無(wú)論我們擁有多少計(jì)算能力，都無(wú)法達(dá)到甚至接近通用人工智能的概念。

所以讓人工智能有自主意識(shí)還有很長(zhǎng)的一段路要走。有生之年還是可以期待一下。

原文鏈接：

https://pub.towardsai.net/real-neural-networks-vs-artificial-neural-networks-what-is-the-difference-ec53b9fc414e

免責(zé)聲明：所載內(nèi)容來(lái)源互聯(lián)網(wǎng)，僅供參考。轉(zhuǎn)載稿件版權(quán)歸原作者和機(jī)構(gòu)所有，如有侵權(quán)，請(qǐng)聯(lián)系我們刪除。

覺(jué)得有用就點(diǎn)贊吧！

每天18：30分更新

關(guān)注學(xué)姐+星標(biāo)+在看

不迷路看好文

如有錯(cuò)漏理性交流，別直接開(kāi)噴哈~