人工智能的主要技术，说到底还是人类自身

当下，人工智能已经成为新一轮产业变革的核心驱动力，在全球范围内蓬勃兴起，正在深刻改变人们的生产生活方式，对世界经济、社会进步和人类生活产生极为深远的影响。

掀起这股变革大潮的，正是大名鼎鼎的深度学习技术。这项技术可以追溯到人工智能诞生的20世纪50年代，虽然经历过低谷，但依然无法掩盖其璀璨的光芒，一旦时机成熟便大放异彩，产生深远影响。

众多关于深度学习技术的作品中，特伦斯·谢诺夫斯基的这本《深度学习》最具有说服力。作为深度学习技术的先驱和领军人物，他不但见证了深度学习的发展，更参与到神经网络的研究，与他人一起发明的玻尔兹曼机引发了神经网络研究热潮，将深度学习从边缘课题变成了核心技术，推动了人工智能井喷式的发展。

在谢诺夫斯基看来，深度学习技术虽然始终处于前沿科技，但始终是以人为本，建立在对人类自身的研究之上的。

首先，表现在对外在事物的感知上。

对人类来说，我们可以在复杂的背景下，排除光照、远近、位置以及其他物品遮挡的干扰，够轻松辨别出来。但对于之前的计算机来说，几乎是不可能完成的任务。要知道，人类的视觉系统能够在1/10秒内识别出混乱场景中的对象，而计算机无法准确地进行分辨。

但是，人类的智慧是无穷的，通过研究人类视觉系统的原理，设计出网络感知器，能够根据物体不同部位的不同特征设置不同的权重比例，在不断地学习中调整优化，从而让计算机学会图案分类。

如果有足够的训练样本，而且能够把输出结果和正确答案进行比较，感知器就会进行递进式学习。这就是深度学习的起点。

其次，表现在对信息的存储记忆上。

人类的大脑在接收到外部的信息后，能够通过短期记忆和长期记忆的方式将信息进行存储，以便于在需要的时候进行调用。

对于人工智能来说，简单地存储无法发挥作用。依然是通过对人类大脑的深入研究，科学家们找到了解决问题的方法。

物理学家约翰·霍普菲尔德开发了霍普菲尔德神经网络，实现“内容可寻址存储”，可以只采用信息内容的一部分进行提取，供整个神经网络使用。这与大脑负责长期记忆的海马体运作模式非常相似，成功实现了对大脑功能的诠释，也为深度学习找到了一条较好的发展路径。

第三，表现在对信息加工处理上。

人类在识别出物体的1/10秒时间里，视觉皮层有100亿个神经元在同时工作。科学家们依然是通过研究大脑神经元的运作原理，开创了认知神经科学，展开了人工智能运行的探索。

谢诺夫斯基和同事参照大脑的运行机理，发明了著名的玻尔兹曼机，解决了人工智能的思考问题。玻尔兹曼机是一种随机性的循环神经网络，由多层神经元组成，采取逐层的、没有监督的训练方式，不需要人工参与，只要拥有更多数据，就会产生更准确的结果，这也是深层学习算法崛起的原因之一。目前已经应用于许多机器学习任务中，能够很好地解决一些复杂问题。

此外，科学家们还探索出卷积学习、对抗网络、奖励学习等深度学习的方法和思路，让人工智能变得更像大脑。

因此，从某种角度来看，人工智能也属于仿生学的一种，高度模仿了人类大脑的运作模式。因此，我们说，人工智能之道，在于道法自然。

现在看来，虽然深度学习已经取得了巨大成功，但是人工智能和人类智能的差距依然是巨大的。人类大脑中有大约1000亿个神经元，总共约有10的15次方那么多的神经链接，而大脑的功耗仅有20瓦。

相比之下，一台千万亿次级超级计算机，功耗却是5兆瓦，是大脑功耗的25万倍。但是，我们有理由相信，随着人类对大脑探索程度的不断加深，人工智能的发展也将更加迅速。

特伦斯·谢诺夫斯基在书中指出，当黑猩猩的基因组被首次测序后，我们认为自己能够阅读生命之书。但是很遗憾，书中90%的内容我们都没有能力读懂。自然界有一系列的只能行为，可以让人工系统从中学习。

或许，我们可以通过理解深度学习的方法，找出更多的线索，而这些线索，将会把我们带到更高级的科技技术面前。