人工智能迎来春天 在“深度学习”帮助下欲当“学霸”

编码学习 算法 面临的另一个挑战，是没有一个放之四海而皆准的固定模式可以处理机器所面对的各种情境。而人类则不然，人类似乎天生就可以处理各种情境、学习各种知识。因此，人类大脑自然就成为设计人工 神经网络 最重要的模型。

技术进步助推深度学习发展

人类大脑通过神经元来进行计算，每个神经元通过突触传递信号。神经元在学习过程中可以加强突触的强度，并向临近的神经元传递信息。因此，早期深度学习技术也从构建虚拟神经元来形成人工 神经网络 ，并通过增强连接神经元间的突触优势来实现 机器学习 。现在的人工 神经网络 用不断改变每个突触连接的数值来表示该连接强度。虽然每次学习其数值改变很小，但已可以使人工 神经网络 提高预测的准确性。

为了取得最佳效果，目前的学习 算法 还需要人类的参与，称之为监督学习。如通过为机器提供日落的图片来作为输入，这样“日落”一词经过 人工智能 才能输出。每次提供不同的日落图片，不断改变人工 神经网络 突触连接的数值和强度，以此来完成学习任务。这一学习过程的关键是不让机器单纯地死记硬背，而是遇到新的日落图片时，同样可以产生有关日落的输出。虽然这一任务表面上看很简单，但由于即便是日落这一简单的情境，其图片也会产生无穷的变化，因此要求学习 算法 在类似的输入下，会产生类似的输出，尤其不能出现指鹿为马的情况。

有一种处理图像识别问题的 神经网络 称之为卷积 神经网络 ，是 人工智能 的关键技术，其有多层神经元，对图像中重要内容的些微变化不敏感。卷积 神经网络 在深度学习中获得了较为广泛的应用，其灵感主要来自人类视觉皮层的多层结构。

此外，深度学习在近年来能够取得成功得益于两个关键因素：一是计算机运算速度提高了近十倍，尤其是图形处理能力大幅提高；二是深度学习可顺序计算的能力，能对图像、声音或数据一步一步地进行分析或构造。而对声音和图像进行识别需要多层网络结构。

人工 神经网络 在图像识别上主要表现为对静态图像的识别能力。目前又出现了一种新型 神经网络 ，称之为回归 神经网络 ，可对随时间展开的事件进行标记。回归 神经网络 与人类大脑的处理方式有很多相似之处，它可以预测一个句子将出现什么单词，并在阅读句子后，对其意思进行猜测，今后可应用于语义加工和语言翻译。

人工智能 技术走过了寒冬，迎来了发展的春天，这不仅仅是技术的进步，还对我们今后应如何支持科学技术的发展有着更为深刻的意义。当某项技术的发展遇到暂时挫折，我们该如何更好地应对挑战，坚持多样化发展策略，有效帮助其走出困境，这对整个 科技 发展都有重要的启示作用。（记者 何 屹）