18岁以下禁看网站,精产国品一二二区入口,日本老头老太XING交,超强C程序,车辆颠簸就滑进逼里小说

吳恩達（Andrew Ng）是斯坦福大學人工智能實驗室主任，2013年《時代》雜志評選的全球最具影響力百大人物中上榜的十幾名科技人物之一，目前領導著Google Brain項目，在谷歌內部推動深度學習算法。去年6月，“谷歌大腦”（Google Brain）項目運用深度學習的研究成果，使用 1000 臺電腦創造出包含 10 億個連接的“神經網絡”，使機器系統學會自動識別貓，成為國際深度學習領域廣為人知的案例。

近日，《連線》雜志發表文章，對這位“Google Brain之父”及其研究領域進行了詳細介紹，以下為文章內容摘要：

“單一算法”假說改變人工智能研究方向

有種理論說，人類的智慧來源于一個單一的算法。這個理論的實驗依據是，人類大腦發育初期，每一部分的職責分工是不確定的，也就是說，人腦中負責處理聲音的部分其實也可以處理視覺影像。人腦究其本質來說，是一臺可以被調試以執行特定任務的通用型機器。

七年前，斯坦福大學計算機科學教授吳恩達偶然接觸到了這一理論，這個理論醍醐灌頂般地改變了他對于人工智能本質的理解，重新點燃了他對人工智能技術的熱愛，從而改變了他的職業軌跡。據他回憶，“有生以來第一次，我感到自己有可能在人工智能的研究領域取得一點進展。”

吳恩達說，在人工智能技術研究的早期，主流的理念是，人類智慧形成于成千上萬個簡單代理的協同工作，也就是麻省理工大學教授馬爾文·明斯基（Marvin Minsky）所說的“頭腦的社會”。工程師們因此相信，要實現人工智能，就必須建立成千上萬個獨立的計算機模塊。一個模塊，或者算法，去模擬語言，第二個模塊處理發聲說話等等以此類推。總之，按照這個早期理念，實現人工智能所需的工作量巨大，難以實現。

吳恩達小時候的夢想就是發明能像人類一樣思考的機器，但當他進入大學真正開始接觸人工智能時，卻正逢上述理念盛行，他很泄氣，放棄了對人工智能的研究。后來，他成為大學教授，還不斷地打擊自己的學生，勸他們也放棄人工智能這一“不切實際的夢想”。直到有一天，他接觸到了“人類的智慧來源于一個單一的算法”的假說，意識到自己以前對于人工智能的理解可能大錯特錯，他終于重新拾起了兒時的夢想。而“單一算法”這一假說的提出者是杰夫·霍金斯（Jeff Hawkins），一名有著神經科學研究背景的人工智能領域的企業家。

現在看來，這一假說所改變的，不僅僅是吳恩達的職業生涯而已。吳目前的主要研究領域是機器學習技術中的“深度學習”，在計算機科學中屬于比較新的領域，深度學習研究的主要目的是打造能像人腦一樣處理數據的機器。目前，深度學習的研究已經不限于學術界，谷歌和蘋果這樣的大公司也意識到了其中蘊藏的巨大機會。吳恩達和谷歌的其他研究人員一起成立了有史以來人工智能領域目標最遠大的項目——Google Brain。

Google Brain項目的指導思想，是將計算機科學與神經科學相結合，在人工智能領域，這是從來沒有真正實現過的。吳恩達說，“我發現工程師（擅長計算機科學）和科學家（擅長神經科學）之間存在著巨大的代溝。”工程師們想要構建成功的人工智能系統，而科學家們卻仍未能完全理解人腦錯綜復雜的工作機制。很長一段時間內，神經科學并不能夠為想要建造智能機器的工程師們提供答案。

此外，據加州大學伯克利分校瑞德伍德理論神經科學研究中心（Redwood Center for Theoretical Neuroscience）主任布魯諾·奧爾斯豪森（Bruno Olshausen）透露，科學家們還總是覺得“大腦研究”是他們的領域，不大愿意與其他領域的研究人員進行合作。

最終的結果就是工程師們開始建造不完全模仿人類大腦運行的人工智能系統，他們鼓搗出來的只能說是“偽智能”系統，產品類似于“Roomba”這樣只能用來吸塵的機器人，而不像動畫片《杰森一家》（The Jetsons）里的機器人女仆“羅西”T（Rosie）。

吳恩達用電腦解釋深度學習（騰訊科技配圖）

在吳恩達和其他一些人的努力下，這樣的局面終于開始發生改變，美國國家心理衛生研究所（National Institute of Mental Health）主任托馬斯·因瑟爾博士（Dr. Thomas Insel）介紹，“業內已經形成共識，誰能搞明白人腦如何計算，誰就能設計出下一代計算機。”

究竟什么是“深度學習”？

深度學習是人工智能技術朝新的研究方向邁出的第一步。簡單地說，深度學習包含了構建能夠模仿人類大腦行為的神經網絡。這些多層次的電腦網絡像人類大腦一樣，可以收集信息，并基于收集到的信息產生相應的行為。這些電腦網絡可以逐漸對事物的外形和聲音進行感知和理解，也就是“認識”事物。

比如，為了賦予機器“視覺”，研究人員需要建立最基本的一層人工神經元，用來探知如物體的邊緣形狀等基本信息，第二層神經元可以將第一層感知到了物體邊緣性狀拼湊起來，鑒定較大塊的物體形狀，然后再加一層將第二層檢測到的信息再拼湊從而使機器明白物體整體的形態。這里面關鍵的一點是，軟件可以自行做到這一切——舊的“偽人工智能”往往需要工程師人工輸入物體視覺或者聲音的信息，然后由機器學習算法來處理這些信息數據。

吳恩達介紹，在深度學習算法之下，我們可以給這個系統很多數據，使其“自己學會世界上的一些概念”。去年，吳的一個深度學習算法機器通過掃描互聯網上無數的貓的圖片“認識”了貓，機器不認識單詞cat，吳需要為機器輸入這個單詞，然后經過一段時間，機器將這種毛茸茸的小動物與單詞cat聯系到了一起，可以自行鑒別什么樣的事物是 cat。

教機器學習的方法本身就是在模仿人類的學習機制，當我們還是嬰兒的時候，我們通過觀察周圍，開始認識我們接觸到的事物，但是如果父母不告訴我們一樣東西的名字是什么的話，我們自己無法知道。

當然，吳恩達的深度學習算法目前還比不上人腦的精確性和靈活性，但他說，那一天會到來的。

從谷歌、中國到奧巴馬政府，誰在研究深度學習？

吳恩達不是一個人在戰斗，深度學習已經是計算機科學發展的大勢所趨。2011年，吳在谷歌內部領導建立了Google Brain項目，最近幾個月，谷歌在深度學習領域的投入明顯加大，收購了加拿大多倫多大學教授杰弗里·辛頓（Geoffrey Hinton，人稱“神經網絡研究教父”）創建的人工智能機構。中國搜索巨頭百度也建立了深度學習實驗室，誓要在深度學習領域投入大量資源。吳恩達稱，其他科技巨頭公司如微軟和高通也都開始招聘于聘請更多研究“基于神經科學的計算機算法”的科學家。

與此同時，日本的工程師開始構建控制機器人的人工神經網絡，南非神經科學家亨利·馬克曼（Henry Markman）正與來自歐盟和以色列的科學家們合作，希望能利用數千次實驗得到的數據在一臺超級計算機中模擬出人腦。

研究的困難仍在于我們無法完全掌握人類大腦的工作原理，但科學家目前在這方面進展飛速。中國的科學家正在研究一個新的大腦圖譜，他們將之命名為“腦網絡穹頂”（Brainnetdome）項目。在美國，隨著奧巴馬政府宣布將支持籌建一項跨學科的科研項目“基于神經科學技術創新的人腦研究”（Brain Research Through Advancing Innovative Neurotechnologies Initiative，簡寫為BRAIN項目，該項目也在美國社會引發了許多爭議），許多類似的項目正雨后春筍般得涌現，“大神經網絡時代”（Era of Big Neuroscience）已經到來。

BRAIN項目籌備委員會上周末召開了第一次會議，本周還將展開更多的項目籌備工作。 BRAIN項目的目標之一，是為繪制大腦復雜回路圖開出所需的新技術，種種跡象表明，BRAIN的工作重心就是人工智能。美國政府對BRAIN項目撥款的 1億美元中，一半來自美國國防部高級研究項目局（Defense Advanced Research Projects Agency，簡稱Darpa），超過了美國國立衛生研究院（National Institutes of Health , NIH）的撥款數，美國國防部研究部門稱，希望 BRAIN項目能夠“催生新的信息處理架構或者計算方法”。

如果我們能夠搞清楚人類大腦成千上萬的神經元如何互相連結以及中樞神經系統存儲和處理信息的原理，那么像吳恩達這樣的工程師對于“人工大腦”的設想就能夠更加清晰，對于人腦的研究成果和數據將能購幫助深度學習算法的研究，也能加速諸如計算機“視覺”、語言分析，以及蘋果和谷歌等公司為智能手機提供的語音識別等技術的發展。

“所以我們要學習生物生存使用的技巧，問題的關鍵在于生物將秘密隱藏得太深了。”加州大學伯克利分校計算神經科學家布魯諾·奧爾斯豪森（Bruno Olshausen）感慨道，“我們還沒有掌握這些秘密所需要的工具。”

未來：得人工智能者得天下

隨著移動設備的崛起，“破解人類神經密碼”愈發迫在眉睫。由于設備越來越小，我們需要它們運算更快、更準確。然而，隨著電子設備的基礎元件晶體管的尺寸不斷縮小，將它們變得更精確更高效的難度也越來越大。比如，想要加快設備的運算速度，需要給設備提供更多電能，但更多電能會讓設備的運算系統更“嘈雜”，也就是說，它得運算精確度會下降。

奧爾斯豪森介紹，目前工程師們智能通過避開問題核心的方式來應對上述問題，力求在設備大小、運算速度、能耗之間取得平衡，而人工智能技術對此則能提供更好的解決方案。“生物科學能讓我們直面問題的根本所在，生物內部的轉換機制也是天生‘嘈雜’的，但其找到了一個辦法來適應和忍受這些干擾噪聲甚至對之加以利用。如果我們可以搞明白生物內部應對這些雜音的方法，我們就能開創一套截然不同的計算模型”。

科學家的目標并不是將計算設備變得更小，他們的目標是讓計算機能夠做到的事情更多。不管背后的算法多么復雜，目前的計算機無法幫助人類去雜貨店購買物品，或者幫助人類挑選適合的衣服、錢包，處理這樣的事情，計算機需要添加更高級的圖像智能識別技術以及像人類一樣的注意力和記憶力，如果能夠實現這一點，那么計算機能夠處理的事情的想象空間將變得無窮大。

“全世界都意識到，如果你可以解決這些問題，人工智能領域存在的無限商機就會被打開。” 奧爾斯豪森預測。

而驅使谷歌、IBM、微軟、蘋果、百度這些公司競相開發高級機器學習技術的原因，正是其背后蘊藏的巨大商業潛力。紐約大學教授、深度學習領域的專家燕樂存（Yann LeCun）教授預測，兩年內，將出現大量的機器學習領域的初創公司，其中很多可能會被大公司收購。

雖然最優秀的工程師一般不會同時是人類大腦研究的專家，但如今對于計算機科學領域的工程師來說，掌握一些神經科學的知識可能成為巨大的優勢。“我們需要與神經科學領域的科學家更加緊密的合作，”百度的于凱（音譯）表示，于凱正在考慮招聘一名神經科學領域的科學家，“我們已經在與他們合作，但是我們做得還不夠。”

吳恩達的夢想正在照進現實。“我有了希望，不只是希望，我們可能能夠實現真正的人工智能，”他說，“我們當然還沒有找到正確的算法——這可能需要長達幾十年的時間，要實現它很不容易，但我看到了希望。”