新型神經(jīng)網(wǎng)絡(luò)芯片會(huì)對科技領(lǐng)域乃至整個(gè)世界產(chǎn)生什么巨大影響

一、與傳統(tǒng)計(jì)算機(jī)的區(qū)別1946年美籍匈牙利科學(xué)家馮·諾依曼提出存儲(chǔ)程序原理，把程序本身當(dāng)作數(shù)據(jù)來對待。

此后的半個(gè)多世紀(jì)以來，計(jì)算機(jī)的發(fā)展取得了巨大的進(jìn)步，但“馮·諾依曼架構(gòu)”中信息存儲(chǔ)器和處理器的設(shè)計(jì)一直沿用至今，連接存儲(chǔ)器和處理器的信息傳遞通道仍然通過總線來實(shí)現(xiàn)。

隨著處理的數(shù)據(jù)量海量地增長，總線有限的數(shù)據(jù)傳輸速率被稱為“馮·諾依曼瓶頸”——尤其是移動(dòng)互聯(lián)網(wǎng)、社交網(wǎng)絡(luò)、物聯(lián)網(wǎng)、云計(jì)算、高通量測序等的興起，使得‘馮·諾依曼瓶頸’日益突出，而計(jì)算機(jī)的自我糾錯(cuò)能力缺失的局限性也已成為發(fā)展障礙。

結(jié)構(gòu)上的缺陷也導(dǎo)致功能上的局限。例如，從效率上看，計(jì)算機(jī)運(yùn)算的功耗較高——盡管人腦處理的信息量不比計(jì)算機(jī)少，但顯然而功耗低得多。

為此，學(xué)習(xí)更多層的神經(jīng)網(wǎng)絡(luò)，讓計(jì)算機(jī)能夠更好地模擬人腦功能，成為上世紀(jì)后期以來研究的熱點(diǎn)。

在這些研究中，核心的研究是“馮·諾依曼架構(gòu)”與“人腦架構(gòu)”的本質(zhì)結(jié)構(gòu)區(qū)別——與計(jì)算機(jī)相比，人腦的信息存儲(chǔ)和處理，通過突觸這一基本單元來實(shí)現(xiàn)，因而沒有明顯的界限。

正是人腦中的千萬億個(gè)突觸的可塑性——各種因素和各種條件經(jīng)過一定的時(shí)間作用后引起的神經(jīng)變化（可變性、可修飾性等），使得人腦的記憶和學(xué)習(xí)功能得以實(shí)現(xiàn)。

大腦有而計(jì)算機(jī)沒有的三個(gè)特性:低功耗（人腦的能耗僅約20瓦，而目前用來嘗試模擬人腦的超級計(jì)算機(jī)需要消耗數(shù)兆瓦的能量）；容錯(cuò)性（壞掉一個(gè)晶體管就能毀掉一塊微處理器，但是大腦的神經(jīng)元每時(shí)每刻都在死亡）；還有不需為其編制程序（大腦在與外界互動(dòng)的同時(shí)也會(huì)進(jìn)行學(xué)習(xí)和改變，而不是遵循預(yù)設(shè)算法的固定路徑和分支運(yùn)行。

）這段描述可以說是“電”腦的最終理想了吧。注：最早的電腦也是模擬電路實(shí)現(xiàn)的，之后發(fā)展成現(xiàn)在的只有0、1的數(shù)字CPU。

今天的計(jì)算機(jī)用的都是所謂的馮諾依曼結(jié)構(gòu)，在一個(gè)中央處理器和記憶芯片之間以線性計(jì)算序列來回傳輸數(shù)據(jù)。這種方式在處理數(shù)字和執(zhí)行精確撰寫的程序時(shí)非常好用，但在處理圖片或聲音并理解它們的意義時(shí)效果不佳。

有件事很說明問題：2012年，谷歌展示了它的人工智能軟件在未被告知貓是什么東西的情況下，可以學(xué)會(huì)識(shí)別視頻中的貓，而完成這個(gè)任務(wù)用到了1.6萬臺(tái)處理器。

要繼續(xù)改善這類處理器的性能，生產(chǎn)商得在其中配備更多更快的晶體管、硅存儲(chǔ)緩存和數(shù)據(jù)通路，但所有這些組件產(chǎn)生的熱量限制了芯片的運(yùn)作速度，尤其在電力有限的移動(dòng)設(shè)備中。

這可能會(huì)阻礙人們開發(fā)出有效處理圖片、聲音和其他感官信息的設(shè)備，以及將其應(yīng)用于面部識(shí)別、機(jī)器人，或者交通設(shè)備航運(yùn)等任務(wù)中。

神經(jīng)形態(tài)芯片嘗試在硅片中模仿人腦以大規(guī)模的平行方式處理信息：幾十億神經(jīng)元和千萬億個(gè)突觸對視覺和聲音刺激物這類感官輸入做出反應(yīng)。

作為對圖像、聲音等內(nèi)容的反應(yīng)，這些神經(jīng)元也會(huì)改變它們相互間連接的方式，我們把這個(gè)過程叫做學(xué)習(xí)。神經(jīng)形態(tài)芯片納入了受人腦啟發(fā)的“神經(jīng)網(wǎng)路”模式，因此能做同樣的事。

人工智能的頂尖思想家杰夫·霍金斯（JeffHawkins）說，在傳統(tǒng)處理器上用專門的軟件嘗試模擬人腦（谷歌在貓實(shí)驗(yàn)中所做的），以此作為不斷提升的智能基礎(chǔ)，這太過低效了。

霍金斯創(chuàng)造了掌上電腦（PalmPilot），后來又聯(lián)合創(chuàng)辦了Numenta公司，后者制造從人腦中獲得啟發(fā)的軟件。“你不可能只在軟件中建造它，”他說到人工智能，“你必須在硅片中建造它。

”現(xiàn)有的計(jì)算機(jī)計(jì)算，程序的執(zhí)行是一行一行執(zhí)行的，而神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)則有所不同。現(xiàn)行的人工智能程式，基本上都是將大大小小的各種知識(shí)寫成一句一句的陳述句，再灌進(jìn)系統(tǒng)之中。

當(dāng)輸入問題進(jìn)去智能程式時(shí)，它就會(huì)搜尋本身的資料庫，再選擇出最佳或最近解。2011年時(shí)，IBM有名的Watson智能電腦，便是使用這樣的技術(shù)，在美國的電視益智節(jié)目中打敗的人類的最強(qiáng)衛(wèi)冕者。

（神經(jīng)網(wǎng)絡(luò)計(jì)算機(jī)）以這種異步信號(hào)發(fā)送（因沒有能使其同步的中央時(shí)鐘而得名）處理數(shù)據(jù)的速度比同步信號(hào)發(fā)送更快，以為沒有時(shí)間浪費(fèi)在等待時(shí)鐘發(fā)出信號(hào)上。

異步信號(hào)發(fā)送消耗的能量也更少，這樣便滿足了邁耶博士理想的計(jì)算機(jī)的第一個(gè)特點(diǎn)。如果有一個(gè)處理器壞了，系統(tǒng)會(huì)從另一路線繞過它，這樣便滿足了邁耶博士理想的計(jì)算機(jī)的第二個(gè)特點(diǎn)。

正是由于為異步信號(hào)發(fā)送編程并不容易，所以大多數(shù)計(jì)算機(jī)工程師都無視于此。然而其作為一種模仿大腦的方式堪稱完美。

功耗方面：硬件方面，近年來主要是通過對大型神經(jīng)網(wǎng)絡(luò)進(jìn)行仿真，如Google的深度學(xué)習(xí)系統(tǒng)GoogleBrain，微軟的Adam等。但是這些網(wǎng)絡(luò)需要大量傳統(tǒng)計(jì)算機(jī)的集群。

比方說GoogleBrain就采用了1000臺(tái)各帶16核處理器的計(jì)算機(jī)，這種架構(gòu)盡管展現(xiàn)出了相當(dāng)?shù)哪芰?#xff0c;但是能耗依然巨大。而IBM則是在芯片上的模仿。

4096個(gè)內(nèi)核，100萬個(gè)“神經(jīng)元”、2.56億個(gè)“突觸”集成在直徑只有幾厘米的方寸（是2011年原型大小的1/16）之間，而且能耗只有不到70毫瓦。

IBM研究小組曾經(jīng)利用做過DARPA的NeoVision2Tower數(shù)據(jù)集做過演示。

它能夠?qū)崟r(shí)識(shí)別出用30幀每秒的正常速度拍攝自斯坦福大學(xué)胡佛塔的十字路口視頻中的人、自行車、公交車、卡車等，準(zhǔn)確率達(dá)到了80%。

相比之下，一臺(tái)筆記本編程完成同樣的任務(wù)用時(shí)要慢100倍，能耗卻是IBM芯片的1萬倍。

Ref:Amillionspiking-neuronintegratedcircuitwithascalablecommunicationnetworkandinterface.PaulA.Merollaetal.Science345,668(2014);DOI:10.1126/science.1254642因?yàn)樾枰獡碛袠O多數(shù)據(jù)的Database來做training以及需要極強(qiáng)大的計(jì)算能力來做prediction，現(xiàn)有的一些Deeplearning如AndrewNg的GoogleBrain、Apple的Siri等都需要連接網(wǎng)絡(luò)到云端的服務(wù)器。

二、爭議：雖然深度學(xué)習(xí)已經(jīng)被應(yīng)用到尖端科學(xué)研究及日常生活當(dāng)中，而Google已經(jīng)實(shí)際搭載在核心的搜尋功能之中。但其他知名的人工智能實(shí)驗(yàn)室，對於深度學(xué)習(xí)技術(shù)的反應(yīng)并不一致。

例如艾倫人工智慧中心的執(zhí)行長OrenEtzioni，就沒有考慮將深度學(xué)習(xí)納入當(dāng)前開發(fā)中的人工智慧系統(tǒng)中。

該機(jī)構(gòu)目前的研究是以小學(xué)程度的科學(xué)知識(shí)為目標(biāo)，希望能開發(fā)出光是看學(xué)校的教科書，就能夠輕松應(yīng)付各類考試的智能程式。

OrenEtzioni以飛機(jī)為例，他表示，最成功的飛機(jī)設(shè)計(jì)都不是來自於模仿鳥的結(jié)構(gòu)，所以腦神經(jīng)的類比并無法保證人工智能的實(shí)現(xiàn)，因此他們暫不考慮借用深度學(xué)習(xí)技術(shù)來開發(fā)這個(gè)系統(tǒng)。

但是從短期來看，情況也許并沒有那么樂觀。首先芯片的編程仍然是個(gè)大問題。芯片的編程要考慮選擇哪一個(gè)神經(jīng)元來連接，以及神經(jīng)元之間相互影響的程度。

比方說，為了識(shí)別上述視頻中的汽車，編程人員首先要對芯片的仿真版進(jìn)行必要的設(shè)置，然后再傳給實(shí)際的芯片。

這種芯片需要顛覆以往傳統(tǒng)的編程思想，盡管IBM去年已經(jīng)發(fā)布了一套工具，但是目前編程仍非常困難，IBM團(tuán)隊(duì)正在編制令該過程簡單一點(diǎn)的開發(fā)庫。

（當(dāng)然，如果我們回顧過去編程語言從匯編一路走來的歷史，這一點(diǎn)也許不會(huì)成為問題。）其次，在部分專業(yè)人士看來，這種芯片的能力仍有待證實(shí)。

再者，真正的認(rèn)知計(jì)算應(yīng)該能從經(jīng)驗(yàn)中學(xué)習(xí)，尋找關(guān)聯(lián)，提出假設(shè)，記憶，并基于結(jié)果學(xué)習(xí)，而IBM的演示里所有學(xué)習(xí)（training）都是在線下的馮諾依曼計(jì)算機(jī)上進(jìn)行的。

不過目前大多數(shù)的機(jī)器學(xué)習(xí)都是離線進(jìn)行的，因?yàn)閷W(xué)習(xí)經(jīng)常需要對算法進(jìn)行調(diào)整，而IBM的硬件并不具備調(diào)整的靈活性，不擅長做這件事情。

三、人造神經(jīng)元工作原理及電路實(shí)現(xiàn)人工神經(jīng)網(wǎng)絡(luò)人工神經(jīng)網(wǎng)絡(luò)（artificialneuralnetwork，縮寫ANN），簡稱神經(jīng)網(wǎng)絡(luò)（neuralnetwork，縮寫NN），是一種模仿生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能的數(shù)學(xué)模型或計(jì)算模型。

神經(jīng)網(wǎng)絡(luò)是一種運(yùn)算模型，由大量的節(jié)點(diǎn)（或稱“神經(jīng)元”，或“單元”）和之間相互聯(lián)接構(gòu)成。每個(gè)節(jié)點(diǎn)代表一種特定的輸出函數(shù)，稱為激勵(lì)函數(shù)（activationfunction）。

每兩個(gè)節(jié)點(diǎn)間的連接都代表一個(gè)對于通過該連接信號(hào)的加權(quán)值，稱之為權(quán)重（weight），這相當(dāng)于人工神經(jīng)網(wǎng)絡(luò)的記憶。網(wǎng)絡(luò)的輸出則依網(wǎng)絡(luò)的連接方式，權(quán)重值和激勵(lì)函數(shù)的不同而不同。

而網(wǎng)絡(luò)自身通常都是對自然界某種算法或者函數(shù)的逼近，也可能是對一種邏輯策略的表達(dá)。Ref：Wikipedia：人工神經(jīng)網(wǎng)絡(luò)電路原理神經(jīng)遞質(zhì)的分泌反過來又是對動(dòng)作電位刺激的反應(yīng)。

然而神經(jīng)元在接收到這些神經(jīng)遞質(zhì)信號(hào)中的一個(gè)后便不會(huì)再繼續(xù)發(fā)出動(dòng)作電位。當(dāng)然，它們會(huì)逐漸累加至一個(gè)極限值。

在神經(jīng)元接受了一定數(shù)量的信號(hào)并超過極限值后----從根本上講是一個(gè)模擬進(jìn)程----然后它們會(huì)發(fā)出一個(gè)動(dòng)作電位，并自行重置。

Spikey的人造神經(jīng)元也是這么做的，當(dāng)它們每次受到激發(fā)時(shí)都會(huì)在電容中累積電荷，直至達(dá)到限值，電容再進(jìn)行放電。具體電路結(jié)構(gòu)和分析之后有機(jī)會(huì)的話再更新。

現(xiàn)階段硬件的實(shí)現(xiàn)方式有數(shù)電（IBM、Qualcomm）、模電、數(shù)模混合（學(xué)界）、GPUs等等，還有各種不是基于硅半導(dǎo)體制程制作的神經(jīng)元等的device方面的研究。

四、歷史Neuromorphicengineering由老祖宗CarverMead提出卡福·米德是加州理工學(xué)院的一名工程師，被公認(rèn)為神經(jīng)形態(tài)計(jì)算機(jī)之父（當(dāng)然還發(fā)明了“神經(jīng)形態(tài)學(xué)”這個(gè)詞）神經(jīng)形態(tài)芯片的創(chuàng)意可以追溯到幾十年前。

加州理工大學(xué)的退休教授、集成電路設(shè)計(jì)的傳奇人物卡弗·米德（CarverMead）在1990年發(fā)表的一篇論文中首次提出了這個(gè)名稱。這篇論文介紹了模擬芯片如何能夠模仿腦部神經(jīng)元和突觸的電活動(dòng)。

所謂模擬芯片，其輸出是變化的，就像真實(shí)世界中發(fā)生的現(xiàn)象，這和數(shù)字芯片二進(jìn)制、非開即關(guān)的性質(zhì)不同。后來這（大腦研究）成為我畢生的工作，我覺得我可以有所貢獻(xiàn)，我嘗試離開計(jì)算機(jī)行業(yè)而專注大腦研究。

首先我去了MIT的人工智能研究院，我想，我也想設(shè)計(jì)和制作聰明的機(jī)器，但我的想法是先研究大腦怎么運(yùn)作。而他們說，呃，你不需要這樣做，我們只需要計(jì)算機(jī)編程。而我說，不，你應(yīng)該先研究大腦。

他們說，呃，你錯(cuò)了。而我說，不，你們錯(cuò)了。最后我沒被錄取。但我真的有點(diǎn)失望，那時(shí)候年輕，但我再嘗試。幾年后再加州的Berkley，這次我嘗試去學(xué)習(xí)生物方面的研究。我開始攻讀生物物理博士課程。

我在學(xué)習(xí)大腦了，而我想學(xué)理論。而他們說，不，你不可以學(xué)大腦的理論，這是不可以的，你不會(huì)拿到研究經(jīng)費(fèi)，而作為研究生，沒有經(jīng)費(fèi)是不可以的。我的天。

八卦：老師說neuralnetwork這個(gè)方向每20年火一次，之前有很長一段時(shí)間的沉寂期，甚至因?yàn)槔碚摰牟煌晟埔欢缺徽J(rèn)為是江湖術(shù)士的小把戲，申請研究經(jīng)費(fèi)都需要改課題名稱才能成功。

（這段為小弟的道聽途說，請大家看過就忘。后來看相關(guān)的資料發(fā)現(xiàn)，這段歷史可能與2006年GeoffreyE.Hinton提出深度學(xué)習(xí)的概念這一革命性工作改變了之前的狀況有關(guān)。

）五、針對IBM這次的工作：關(guān)于SyNAPSE美國國防部先進(jìn)研究項(xiàng)目局的研究項(xiàng)目，由兩個(gè)大的group組成：IBMteam和HRLTeam。

Synapse在英文中是突觸的意思，而SyNAPSE是SystemsofNeuromorphicAdaptivePlasticScalableElectronics的簡稱。

Cognitivecomputing:NeurosynapticchipsIBMproducesfirstworkingchipsmodeledonthehumanbrain另一個(gè)SyNAPSE項(xiàng)目是由IBM阿爾馬登實(shí)驗(yàn)室（位于圣何塞）的達(dá)爾門德拉·穆德哈負(fù)責(zé)。

與四所美國大學(xué)（哥倫比亞大學(xué)，康奈爾大學(xué)，加州大學(xué)默塞德分校以及威斯康辛-麥迪遜大學(xué)）合作，穆德哈博士及其團(tuán)隊(duì)制造了一臺(tái)神經(jīng)形態(tài)學(xué)計(jì)算機(jī)的原型機(jī)，擁有256個(gè)“積分觸發(fā)式”神經(jīng)元，之所以這么叫是因?yàn)檫@些神經(jīng)元將自己的輸入累加（即積分）直至達(dá)到閾值，然后發(fā)出一個(gè)信號(hào)后再自行重置。

它們在這一點(diǎn)上與Spikey中的神經(jīng)元類似，但是電子方面的細(xì)節(jié)卻有所不同，因?yàn)樗鼈兪怯梢粋€(gè)數(shù)字儲(chǔ)存器而非許多電容來記錄輸入信號(hào)的。

Ref:Amillionspiking-neuronintegratedcircuitwithascalablecommunicationnetworkandinterface.PaulA.Merollaetal.Science345,668(2014);DOI:10.1126/science.1254642。

谷歌人工智能寫作項(xiàng)目：小發(fā)貓

人工智能的實(shí)現(xiàn)方法有哪些

人工智能在計(jì)算機(jī)上實(shí)現(xiàn)時(shí)有2種不同的方式：一種是采用傳統(tǒng)的編程技術(shù)，使系統(tǒng)呈現(xiàn)智能的效果，而不考慮所用方法是否與人或動(dòng)物機(jī)體所用的方法相同AI愛發(fā)貓。

這種方法叫工程學(xué)方法（ENGINEERINGAPPROACH），它已在一些領(lǐng)域內(nèi)作出了成果，如文字識(shí)別、電腦下棋等。

另一種是模擬法（MODELINGAPPROACH），它不僅要看效果，還要求實(shí)現(xiàn)方法也和人類或生物機(jī)體所用的方法相同或相類似。

遺傳算法（GENERICALGORITHM，簡稱GA）和人工神經(jīng)網(wǎng)絡(luò)（ARTIFICIALNEURALNETWORK，簡稱ANN）均屬后一類型。

遺傳算法模擬人類或生物的遺傳-進(jìn)化機(jī)制，人工神經(jīng)網(wǎng)絡(luò)則是模擬人類或動(dòng)物大腦中神經(jīng)細(xì)胞的活動(dòng)方式。為了得到相同智能效果，兩種方式通常都可使用。

采用前一種方法，需要人工詳細(xì)規(guī)定程序邏輯，如果游戲簡單，還是方便的。如果游戲復(fù)雜，角色數(shù)量和活動(dòng)空間增加，相應(yīng)的邏輯就會(huì)很復(fù)雜（按指數(shù)式增長），人工編程就非常繁瑣，容易出錯(cuò)。

而一旦出錯(cuò)，就必須修改原程序，重新編譯、調(diào)試，最后為用戶提供一個(gè)新的版本或提供一個(gè)新補(bǔ)丁，非常麻煩。

采用后一種方法時(shí)，編程者要為每一角色設(shè)計(jì)一個(gè)智能系統(tǒng)（一個(gè)模塊）來進(jìn)行控制，這個(gè)智能系統(tǒng)（模塊）開始什么也不懂，就像初生嬰兒那樣，但它能夠?qū)W習(xí)，能漸漸地適應(yīng)環(huán)境，應(yīng)付各種復(fù)雜情況。

這種系統(tǒng)開始也常犯錯(cuò)誤，但它能吸取教訓(xùn)，下一次運(yùn)行時(shí)就可能改正，至少不會(huì)永遠(yuǎn)錯(cuò)下去，用不到發(fā)布新版本或打補(bǔ)丁。利用這種方法來實(shí)現(xiàn)人工智能，要求編程者具有生物學(xué)的思考方法，入門難度大一點(diǎn)。

但一旦入了門，就可得到廣泛應(yīng)用。由于這種方法編程時(shí)無須對角色的活動(dòng)規(guī)律做詳細(xì)規(guī)定，應(yīng)用于復(fù)雜問題，通常會(huì)比前一種方法更省力。

如何分辨在社交軟件上聊天的是真人還是機(jī)器人？

直接問它是不是人工智能，是真的人嗎？它會(huì)告訴你的，如果它答非所問，就是人工智能了。社交，即社會(huì)上的交際往來。而通過網(wǎng)絡(luò)來實(shí)現(xiàn)這一目的的軟件便是社交軟件。

廣泛的來說，手機(jī)，座機(jī)等通訊設(shè)備也屬于社交軟件的范疇之一，即所有能與人通話交流的都稱為社交軟件。

全球社交軟件使用人數(shù)最多的社交軟件分別是Facebook、WhatsApp、Messenger，微信排名第四。發(fā)展歷史從1999年的“滴滴滴”開始，QQ的前身“OICQ”誕生了。

2000年，QQ迭代歷史上的經(jīng)典版本QQ2000上線，標(biāo)志性的紅圍脖，胖嘟嘟的造型一時(shí)間伴隨著互聯(lián)網(wǎng)的普及名噪大江南北。隨著時(shí)代的改變，伴隨著移動(dòng)互聯(lián)的崛起，人們身邊漸漸出現(xiàn)了很多社交軟件。

2019年1月15日，“微信之父”張小龍?jiān)趶V州發(fā)表完長達(dá)四小時(shí)的演講之后僅6天，張一鳴的字節(jié)跳動(dòng)、羅永浩的快如科技，以及原快播創(chuàng)始人王欣的云歌人工智能，在同一天發(fā)布了自己的社交應(yīng)用程序——多閃、聊天寶和馬桶MT。

SNS的全稱是什么？

全稱SocialNetworkingServices，即社會(huì)性網(wǎng)絡(luò)服務(wù)，專指旨在幫助人們建立社會(huì)性網(wǎng)絡(luò)的互聯(lián)網(wǎng)應(yīng)用服務(wù)。

SNS的另一種常用解釋：全稱SocialNetworkSite，即“社交網(wǎng)站”或“社交網(wǎng)”。

社會(huì)化網(wǎng)絡(luò)的基本概念

在社會(huì)化網(wǎng)絡(luò)概念逐漸清晰后，出現(xiàn)了其最具代表性的變現(xiàn)形式SNS。

SNS源自英文縮寫（互聯(lián)網(wǎng)領(lǐng)域有三層含義：服務(wù)SocialNetworkService，軟件SocialNetworkSoftware，網(wǎng)站SocialNetworkSite；醫(yī)學(xué)領(lǐng)域含義：SympatheticNervousSystem【解】交感神經(jīng)系統(tǒng)）的翻譯，中文直譯為社會(huì)性網(wǎng)絡(luò)服務(wù)或社交網(wǎng)絡(luò)服務(wù)，意譯為社交網(wǎng)絡(luò)服務(wù)。

中文的網(wǎng)絡(luò)含義包括硬件、軟件、服務(wù)及網(wǎng)站應(yīng)用，加上四字構(gòu)成的詞組更符合中國人的構(gòu)詞習(xí)慣，因此人們習(xí)慣上用社交網(wǎng)絡(luò)來代指SNS（包括SocialNetworkService的三層含義），用社交軟件代指SocialNetworkSoftware，用社交網(wǎng)站代指SocialNetworkSite。

SNS專指旨在幫助人們建立社會(huì)性網(wǎng)絡(luò)的互聯(lián)網(wǎng)應(yīng)用服務(wù)。

1967年，哈佛大學(xué)的心理學(xué)教授StanleyMilgram(1934～1984)創(chuàng)立了六度分割理論，簡單地說：“你和任何一個(gè)陌生人之間所間隔的人不會(huì)超過六個(gè)，也就是說，最多通過六個(gè)人你就能夠認(rèn)識(shí)任何一個(gè)陌生人。

”按照六度分隔理論，每個(gè)個(gè)體的社交圈都不斷放大，最后成為一個(gè)大型網(wǎng)絡(luò)。這是社會(huì)性網(wǎng)絡(luò)（SocialNetworking）的早期理解。

后來有人根據(jù)這種理論，創(chuàng)立了面向社會(huì)性網(wǎng)絡(luò)的互聯(lián)網(wǎng)服務(wù)，通過“熟人的熟人”來進(jìn)行網(wǎng)絡(luò)社交拓展，比如ArtComb,Friendster，Wallop,adoreme等。

但“熟人的熟人”，只是社交拓展的一種方式，而并非社交拓展的全部。因此，現(xiàn)在一般所謂的SNS，則其含義已經(jīng)遠(yuǎn)不止“熟人的熟人”這個(gè)層面。

比如根據(jù)用戶經(jīng)歷進(jìn)行凝聚（如Facebook、校內(nèi)）、根據(jù)空間主題進(jìn)行凝聚（如Qzone、百度空間）、根據(jù)社交游戲進(jìn)行凝聚（如開心網(wǎng)、社交游戲）等，都被納入“SNS”的范疇。

SNS進(jìn)入中國最重要的是形態(tài)是社交化。

社交網(wǎng)絡(luò)（SocialNetworking）是指人與人之間的關(guān)系網(wǎng)絡(luò)，這種基于社會(huì)網(wǎng)絡(luò)關(guān)系系統(tǒng)思想的網(wǎng)站在國內(nèi)被稱為社交網(wǎng)站（SocialNetworkSite）。

現(xiàn)在許多WEB2.0網(wǎng)站都屬于SNS網(wǎng)站，如網(wǎng)絡(luò)聊天（IM）、交友、視頻分享、博客、播客、網(wǎng)絡(luò)社區(qū)、音樂共享等。

社會(huì)性網(wǎng)絡(luò)的理論基礎(chǔ)源于六度理論（六度分隔理論，SixDegreesofSeparation）和150法則（RuleOf150）。

物聯(lián)網(wǎng)、大數(shù)據(jù)、云計(jì)算、人工智能之間的關(guān)系如何？

。

1.物聯(lián)網(wǎng)本質(zhì)上是互聯(lián)網(wǎng)云腦的中樞神經(jīng)系統(tǒng)和其控制的感覺神經(jīng)系統(tǒng)和運(yùn)動(dòng)神經(jīng)系統(tǒng)2.云計(jì)算本質(zhì)上是互聯(lián)網(wǎng)云腦的中樞神經(jīng)系統(tǒng)，它通過服務(wù)器，網(wǎng)絡(luò)操作系統(tǒng)，神經(jīng)元網(wǎng)絡(luò)（大社交網(wǎng)絡(luò)），大數(shù)據(jù)和基于大數(shù)據(jù)的人工智能算法對互聯(lián)網(wǎng)云腦的其他組成部分進(jìn)行控制。

3.大數(shù)據(jù)本質(zhì)上是互聯(lián)網(wǎng)云腦各神經(jīng)系統(tǒng)在運(yùn)轉(zhuǎn)過程中傳輸和積累的有價(jià)值信息。因?yàn)樵谶^去50年隨著互聯(lián)網(wǎng)的快速進(jìn)化而急速膨脹，體量極其巨大。是互聯(lián)網(wǎng)云腦產(chǎn)生智慧智能的基礎(chǔ)。

4.人工智能本質(zhì)是互聯(lián)網(wǎng)云腦產(chǎn)生產(chǎn)生智慧智能的動(dòng)力源泉，人工智能不僅僅通過算法如深度學(xué)習(xí)，機(jī)器學(xué)習(xí)與大數(shù)據(jù)結(jié)合，也運(yùn)用到互聯(lián)網(wǎng)云腦的神經(jīng)末梢，神經(jīng)網(wǎng)絡(luò)和智能終端中。

使得互聯(lián)網(wǎng)云腦各個(gè)神經(jīng)系統(tǒng)同時(shí)提升能力。5.工業(yè)4.0和工業(yè)互聯(lián)網(wǎng)本質(zhì)是互聯(lián)網(wǎng)云腦的運(yùn)動(dòng)神經(jīng)系統(tǒng)，這將是互聯(lián)網(wǎng)云腦未來非常龐大的組成部分，它也將包含6中介紹的各種前沿技術(shù)。

6.智能駕駛，云機(jī)器人，無人機(jī)，3D打印本質(zhì)上是互聯(lián)網(wǎng)云腦運(yùn)動(dòng)神經(jīng)系統(tǒng)中最活躍的部分，他們通過延展運(yùn)動(dòng)和機(jī)械操作，幫助人類完成對世界更強(qiáng)有力的探索和改造。

7.邊緣計(jì)算本質(zhì)是互聯(lián)網(wǎng)云腦神經(jīng)末梢的發(fā)育和成長，人工智能技術(shù)不但應(yīng)用在中樞神經(jīng)系統(tǒng)中的大數(shù)據(jù)，神經(jīng)元網(wǎng)絡(luò)中，也分布到神經(jīng)系統(tǒng)的末梢。

讓互聯(lián)網(wǎng)云腦的感覺神經(jīng)系統(tǒng)，運(yùn)動(dòng)神經(jīng)系統(tǒng)的末梢控制變得更為智能和健壯。8.移動(dòng)互聯(lián)網(wǎng)本質(zhì)是互聯(lián)網(wǎng)云腦神經(jīng)纖維種類的豐富，讓互聯(lián)網(wǎng)用戶更便捷，更不受地域限制的鏈接到互聯(lián)網(wǎng)云腦中。9。

大社交網(wǎng)絡(luò)（BigSns)是互聯(lián)網(wǎng)云腦神經(jīng)元網(wǎng)絡(luò)，也是互聯(lián)網(wǎng)云腦最重要的部分。

它由互聯(lián)網(wǎng)傳統(tǒng)社交網(wǎng)絡(luò)Facebook，微信，微博發(fā)育而成，從鏈接人與人，發(fā)展到鏈接人與物，物與物，甚至包括鏈接人工智能軟件系統(tǒng)10.云反射弧（Cloudreflexarcs)是互聯(lián)網(wǎng)云腦最重要的神經(jīng)活動(dòng)現(xiàn)象，與人類神經(jīng)系統(tǒng)相仿，也包含感受器、傳入神經(jīng)纖維、神經(jīng)中樞、傳出神經(jīng)纖維和效應(yīng)器。

是互聯(lián)網(wǎng)云腦智能智慧與現(xiàn)實(shí)世界互動(dòng)的重要運(yùn)行動(dòng)作。它的種類有7種。將在以后的文章中專門介紹。

11.智慧城市本質(zhì)是互聯(lián)網(wǎng)云腦與具體的地域結(jié)合的結(jié)果，是互聯(lián)網(wǎng)云腦的縮小版應(yīng)用，智慧城市的建設(shè)，從互聯(lián)網(wǎng)云腦的架構(gòu)看，需要關(guān)注城市居民，單位，機(jī)構(gòu)，企業(yè)建設(shè)統(tǒng)一的神經(jīng)元網(wǎng)絡(luò)（大社交）的情況，也要關(guān)注城市的云反射弧的反應(yīng)速度和健壯情況，譬如防火云反射弧，金融云反射弧，交通云反射弧，新零售云反射弧，能源云反射弧等。

互聯(lián)網(wǎng)神經(jīng)學(xué)主要內(nèi)容是什么

。

互聯(lián)網(wǎng)與神經(jīng)學(xué)這兩個(gè)原本距離遙遠(yuǎn)的領(lǐng)域，關(guān)系遠(yuǎn)比想象的要深入和密切，過去10年建立的相關(guān)理論和實(shí)踐基礎(chǔ)，使得這兩個(gè)領(lǐng)域交叉可以產(chǎn)生出21世紀(jì)的新學(xué)科-互聯(lián)網(wǎng)神經(jīng)學(xué)（Internetneurology）。

互聯(lián)網(wǎng)神經(jīng)學(xué)的定義為：基于神經(jīng)學(xué)的研究成果，將互聯(lián)網(wǎng)硬件結(jié)構(gòu)，軟件系統(tǒng)，數(shù)據(jù)與信息，商業(yè)應(yīng)用有機(jī)的整合起來，從而構(gòu)建互聯(lián)網(wǎng)完整架構(gòu)體系，并預(yù)測互聯(lián)網(wǎng)沿著神經(jīng)學(xué)路徑可能產(chǎn)生的新功能和新架構(gòu)；根據(jù)互聯(lián)網(wǎng)不斷產(chǎn)生和穩(wěn)定下來的功能結(jié)構(gòu)，提出研究設(shè)想，分析人類大腦產(chǎn)生意識(shí)，思想，智能，認(rèn)知的生物學(xué)基礎(chǔ)；研究互聯(lián)網(wǎng)和人類大腦結(jié)構(gòu)如何相互影響，相互塑造，相互結(jié)合，相互促進(jìn)的雙巨系統(tǒng)交叉關(guān)系。

中文名互聯(lián)網(wǎng)神經(jīng)學(xué)外文名Internetneurology一。革命技術(shù)引發(fā)科學(xué)突破每一次人類社會(huì)的重大技術(shù)變革都會(huì)導(dǎo)致新領(lǐng)域的科學(xué)革命，大航海時(shí)代使人類看到了生物的多樣性和孤立生態(tài)系統(tǒng)對生物的影響。

無論是達(dá)爾文還是華萊士都是跟隨遠(yuǎn)航的船隊(duì)才發(fā)現(xiàn)了生物的進(jìn)化現(xiàn)象。大工業(yè)革命使人類無論在力量的使用還是觀察能力都獲得的極大的提高。為此后100年開始的物理學(xué)大突破，奠定了技術(shù)基礎(chǔ)。

這些突破包括牛頓的萬有引力，愛因斯坦的相對論，和眾多科學(xué)家創(chuàng)建的量子力學(xué)大廈，這些突破都與”力“和”觀測“有關(guān)。互聯(lián)網(wǎng)革命對于人類的影響已經(jīng)遠(yuǎn)遠(yuǎn)超過了大工業(yè)革命。

與工業(yè)革命增強(qiáng)人類的力量和視野不同，互聯(lián)網(wǎng)極大的增強(qiáng)了人類的智慧，豐富了人類的知識(shí)。而智慧和知識(shí)恰恰與大腦的關(guān)系最為密切.二。

互聯(lián)網(wǎng)與神經(jīng)科學(xué)的7年研究歷史從2008年9月，劉鋒與科學(xué)院大學(xué)彭庚教授在科技論文在線發(fā)表論文“互聯(lián)網(wǎng)進(jìn)化規(guī)律的發(fā)現(xiàn)與分析”開始，的7年時(shí)間里，共發(fā)表論文10篇，專著《互聯(lián)網(wǎng)進(jìn)化論》一部對互聯(lián)網(wǎng)與神經(jīng)學(xué)的關(guān)系進(jìn)行深入探討。

從神經(jīng)學(xué)的角度分析互聯(lián)網(wǎng)的成熟結(jié)構(gòu)，將其抽象為一個(gè)與人類大腦高度相似的組織結(jié)構(gòu)-互聯(lián)網(wǎng)虛擬大腦。尋找并定位互聯(lián)網(wǎng)的虛擬聽覺，視覺，感覺，運(yùn)動(dòng)神經(jīng)系統(tǒng)，虛擬中樞神經(jīng)系統(tǒng)等。

繪制出互聯(lián)網(wǎng)虛擬大腦結(jié)構(gòu)圖，如圖1。

圖1互聯(lián)網(wǎng)虛擬大腦結(jié)構(gòu)圖同時(shí)，我們也對應(yīng)提出如果腦科學(xué)對互聯(lián)網(wǎng)的未來發(fā)展有重要的啟發(fā)作用，那么不斷發(fā)展的互聯(lián)網(wǎng)結(jié)構(gòu)和功能會(huì)不會(huì)能夠作為解開大腦之謎的鑰匙，即人腦中在數(shù)萬年前就已經(jīng)包含了今天和未來成熟的互聯(lián)網(wǎng)架構(gòu)，通過神經(jīng)生理學(xué)和神經(jīng)心理學(xué)領(lǐng)域的研究實(shí)驗(yàn)，在人類大腦中是否可以找到Google一樣的搜索引擎，Facebook一樣的SNS系統(tǒng)，IPv4一樣的地址編碼系統(tǒng)，思科一樣的路由系統(tǒng)。

2012年開始美國等國家的科研人員也開始注意到互聯(lián)網(wǎng)與腦科學(xué)的關(guān)系，2012年11月16日，加州大學(xué)圣迭戈分校DmitriKrioukov在《ScientificReport》發(fā)表的論文“NetworkCosmology”提出互聯(lián)網(wǎng)與腦神經(jīng)網(wǎng)絡(luò)的發(fā)展與構(gòu)造具有高度的相似性。

2015年2月4日來自巴塞爾大學(xué)的研究人員報(bào)道稱，發(fā)現(xiàn)大腦中的神經(jīng)元像一個(gè)社會(huì)網(wǎng)絡(luò)一樣連接在一起。每個(gè)神經(jīng)細(xì)胞都與許多其他的神經(jīng)細(xì)胞相連接，但只有少數(shù)彼此非常相似的細(xì)胞之間會(huì)建立最強(qiáng)有力的聯(lián)系。

這些研究結(jié)果發(fā)布在2015年2月4日的《自然》(Nature)雜志上。三。

互聯(lián)網(wǎng)神經(jīng)學(xué)的提出與研究方向互聯(lián)網(wǎng)與神經(jīng)學(xué)這兩個(gè)原本距離遙遠(yuǎn)的領(lǐng)域，關(guān)系遠(yuǎn)比想象的要深入和密切，過去10年建立的相關(guān)理論和實(shí)踐基礎(chǔ)，使得這兩個(gè)領(lǐng)域交叉可以產(chǎn)生出21世紀(jì)的新學(xué)科-互聯(lián)網(wǎng)神經(jīng)學(xué)（Internetneurology），互聯(lián)網(wǎng)進(jìn)化論作者劉鋒這樣定義互聯(lián)網(wǎng)神經(jīng)學(xué)（Internetneurology）：基于神經(jīng)學(xué)的研究成果，將互聯(lián)網(wǎng)硬件結(jié)構(gòu)，軟件系統(tǒng)，數(shù)據(jù)與信息，商業(yè)應(yīng)用有機(jī)的整合起來，從而構(gòu)建互聯(lián)網(wǎng)完整架構(gòu)體系，并預(yù)測互聯(lián)網(wǎng)沿著神經(jīng)學(xué)路徑可能產(chǎn)生的新功能和新架構(gòu)；根據(jù)互聯(lián)網(wǎng)不斷產(chǎn)生和穩(wěn)定下來的功能結(jié)構(gòu)，提出研究設(shè)想，分析人類大腦產(chǎn)生意識(shí)，思想，智能，認(rèn)知的生物學(xué)基礎(chǔ)；研究互聯(lián)網(wǎng)和人類大腦結(jié)構(gòu)如何相互影響，相互塑造，相互結(jié)合，相互促進(jìn)的雙巨系統(tǒng)交叉關(guān)系。

如果以腦科學(xué)和互聯(lián)網(wǎng)為橫坐標(biāo)軸兩端，生理學(xué)和心理學(xué)作為縱坐標(biāo)的上下兩段，互聯(lián)網(wǎng)神經(jīng)學(xué)將由四部分組成：互聯(lián)網(wǎng)神經(jīng)生理學(xué)，互聯(lián)網(wǎng)神經(jīng)心理學(xué)，大腦互聯(lián)網(wǎng)生理學(xué)，大腦互聯(lián)網(wǎng)心理學(xué)，它們之間的交叉部分將形成第五個(gè)組成部分-互聯(lián)網(wǎng)認(rèn)知科學(xué)，他們的關(guān)系如圖二所示。

。

四，破解人類核心機(jī)密--互聯(lián)網(wǎng)神經(jīng)學(xué)的5個(gè)組成部分互聯(lián)網(wǎng)神經(jīng)生理學(xué)（Internetneurophysiology）重點(diǎn)研究基于神經(jīng)學(xué)的互聯(lián)網(wǎng)基礎(chǔ)功能和架構(gòu)，包括但不限于互聯(lián)網(wǎng)中樞神經(jīng)系統(tǒng)，互聯(lián)網(wǎng)感覺神經(jīng)系統(tǒng)，互聯(lián)網(wǎng)運(yùn)動(dòng)神經(jīng)系統(tǒng)，互聯(lián)網(wǎng)自主神經(jīng)系統(tǒng)，互聯(lián)網(wǎng)神經(jīng)反射弧，基于深度學(xué)習(xí)等算法，運(yùn)用互聯(lián)網(wǎng)大數(shù)據(jù)進(jìn)行圖像，聲音，視頻識(shí)別等互聯(lián)網(wǎng)人工智能處理機(jī)制。

互聯(lián)網(wǎng)神經(jīng)心理學(xué)（Internetneuropsychology.）重點(diǎn)研究互聯(lián)網(wǎng)在向成熟腦結(jié)構(gòu)進(jìn)化的過程中，產(chǎn)生的類似神經(jīng)心理學(xué)的互聯(lián)網(wǎng)現(xiàn)象。

包括但不僅限于互聯(lián)網(wǎng)群體智慧的產(chǎn)生問題，互聯(lián)網(wǎng)的情緒問題，互聯(lián)網(wǎng)夢境的產(chǎn)生和特點(diǎn)，互聯(lián)網(wǎng)的智商問題等。

大腦互聯(lián)網(wǎng)生理學(xué)（BrainInternetphysiology）重點(diǎn)研究大腦中存在的類似于互聯(lián)網(wǎng)的功能結(jié)構(gòu)，使得不斷發(fā)展的互聯(lián)網(wǎng)成為破解大腦生物學(xué)原理的參照系，包括但不僅限于大腦中的類搜索引擎機(jī)制，大腦中類互聯(lián)網(wǎng)路由機(jī)制，大腦中的類IPv4/IPv6機(jī)制，大腦神經(jīng)元類社交網(wǎng)絡(luò)的交互機(jī)制，人類使用互聯(lián)網(wǎng)對大腦生理學(xué)結(jié)構(gòu)的重塑影響等。

大腦互聯(lián)網(wǎng)心理學(xué)(BrainInternetpsychology)重點(diǎn)研究互聯(lián)網(wǎng)對人類大腦在心理學(xué)層面的影響和重塑，包括但不僅限于互聯(lián)網(wǎng)對使用者產(chǎn)生的網(wǎng)癮問題，互聯(lián)網(wǎng)對使用者智商影響問題，互聯(lián)網(wǎng)對使用者情緒和社交關(guān)系的影響問題等互聯(lián)網(wǎng)認(rèn)知科學(xué)（TheInternetincognitivescience）可看做互聯(lián)網(wǎng)神經(jīng)生理學(xué)，互聯(lián)網(wǎng)神經(jīng)心理學(xué)，大腦互聯(lián)網(wǎng)生理學(xué)，大腦互聯(lián)網(wǎng)心理學(xué)的組合交叉，重點(diǎn)研究互聯(lián)網(wǎng)和大腦兩個(gè)巨系統(tǒng)相互影響，相互塑造，相互結(jié)合，互助進(jìn)化，從而產(chǎn)生智慧，認(rèn)知，情緒的深層次原理。

五建立在中國誕生的新學(xué)科：互聯(lián)網(wǎng)神經(jīng)學(xué)是在過去10年的研究基礎(chǔ)上形成的新科學(xué)理論，目標(biāo)是在生理學(xué)和心理學(xué)兩個(gè)層面，將互聯(lián)網(wǎng)和腦科學(xué)這兩個(gè)領(lǐng)域進(jìn)行交叉對比，從而為建立完整的互聯(lián)網(wǎng)架構(gòu)，預(yù)測互聯(lián)網(wǎng)未來發(fā)展趨勢，大腦架構(gòu)和運(yùn)行機(jī)理，以及智能，認(rèn)知，情感的產(chǎn)生原理提供理論支持。

由于互聯(lián)網(wǎng)和腦科學(xué)都處在高速發(fā)展過程中，根據(jù)互聯(lián)網(wǎng)和腦科學(xué)出現(xiàn)的新進(jìn)展，吸收其中的合理成分，使之成為互聯(lián)網(wǎng)神經(jīng)學(xué)發(fā)展的第一個(gè)動(dòng)力。

同時(shí)運(yùn)用互聯(lián)網(wǎng)神經(jīng)學(xué)理論對互聯(lián)網(wǎng)的未來進(jìn)行預(yù)測，對大腦中的未知結(jié)構(gòu)和運(yùn)行機(jī)制提出研究設(shè)想。根據(jù)實(shí)驗(yàn)結(jié)構(gòu)對互聯(lián)網(wǎng)神經(jīng)學(xué)理論進(jìn)行優(yōu)化和調(diào)整，使之成為理論發(fā)展的第二個(gè)動(dòng)力。

一篇文章搞懂人工智能，機(jī)器學(xué)習(xí)和深度學(xué)習(xí)之間的區(qū)別

為了搞清三者關(guān)系，我們來看一張圖：如圖所示：人工智能最大，此概念也最先問世；然后是機(jī)器學(xué)習(xí)，出現(xiàn)的稍晚；最后才是深度學(xué)習(xí)。

從低潮到繁榮自從1956年計(jì)算機(jī)科學(xué)家們在達(dá)特茅斯會(huì)議（DartmouthConferences）上確認(rèn)人工智能這個(gè)術(shù)語以來，人們就不乏關(guān)于人工智能奇思妙想，研究人員也在不遺余力地研究。

在此后的幾十年間，人工智能先是被捧為人類文明光明未來的鑰匙，后又被當(dāng)作過于自大的異想天開而拋棄。但是在過去幾年中，人工智能出現(xiàn)了爆炸式的發(fā)展，尤其是2015年之后。

大部分原因，要?dú)w功于圖形處理器（GPU）的廣泛應(yīng)用，使得并行處理更快、更便宜、更強(qiáng)大。

另外，人工智能的發(fā)展還得益于幾乎無限的存儲(chǔ)空間和海量數(shù)據(jù)的出現(xiàn)（大數(shù)據(jù)運(yùn)動(dòng)）：圖像、文本、交易數(shù)據(jù)、地圖數(shù)據(jù)，應(yīng)有盡有。下面我們從發(fā)展的歷程中來一一展開對人工智能、機(jī)器學(xué)習(xí)和深度學(xué)習(xí)的深度學(xué)習(xí)。

人工智能人工智能先驅(qū)們在達(dá)特茅斯開會(huì)時(shí)，心中的夢想是希望通過當(dāng)時(shí)新興的計(jì)算機(jī)，打造擁有相當(dāng)于人類智能的復(fù)雜機(jī)器。

這就是我們所說的“通用人工智能”（GeneralAI）概念，擁有人類五感（甚至更多）、推理能力以及人類思維方式的神奇機(jī)器。

在電影中我們已經(jīng)看過無數(shù)這樣的機(jī)器人，對人類友好的C-3PO，以及人類的敵人終結(jié)者。通用人工智能機(jī)器至今只存在于電影和科幻小說里，理由很簡單：我們還實(shí)現(xiàn)不了，至少目前為止。

我們力所能及的，算是“弱人工智能”（NarrowAI）：執(zhí)行特定任務(wù)的水平與人類相當(dāng)，甚至超越人類的技術(shù)。現(xiàn)實(shí)中有很多弱人工智能的例子。這些技術(shù)有人類智能的一面。但是它們是如何做到的？智能來自哪里？

這就涉及到下一個(gè)同心圓：機(jī)器學(xué)習(xí)。機(jī)器學(xué)習(xí)機(jī)器學(xué)習(xí)是實(shí)現(xiàn)人工智能的一種方法。機(jī)器學(xué)習(xí)的概念來自早期的人工智能研究者，已經(jīng)研究出的算法包括決策樹學(xué)習(xí)、歸納邏輯編程、增強(qiáng)學(xué)習(xí)和貝葉斯網(wǎng)絡(luò)等。

簡單來說，機(jī)器學(xué)習(xí)就是使用算法分析數(shù)據(jù)，從中學(xué)習(xí)并做出推斷或預(yù)測。與傳統(tǒng)的使用特定指令集手寫軟件不同，我們使用大量數(shù)據(jù)和算法來“訓(xùn)練”機(jī)器，由此帶來機(jī)器學(xué)習(xí)如何完成任務(wù)。

許多年來，計(jì)算機(jī)視覺一直是機(jī)器學(xué)習(xí)最佳的領(lǐng)用領(lǐng)域之一，盡管還需要大量的手動(dòng)編碼才能完成任務(wù)。

研究者會(huì)手動(dòng)編寫一些分類器（classifier），如邊緣檢測篩選器，幫助程序辨別物體的邊界；圖形檢測分類器，判斷物體是否有八個(gè)面；以及識(shí)別“S-T-O-P”的分類器。

在這些手動(dòng)編寫的分類器的基礎(chǔ)上，他們再開發(fā)用于理解圖像的算法，并學(xué)習(xí)如何判斷是否有停止標(biāo)志。但是由于計(jì)算機(jī)視覺和圖像檢測技術(shù)的滯后，經(jīng)常容易出錯(cuò)。深度學(xué)習(xí)深度學(xué)習(xí)是實(shí)現(xiàn)機(jī)器學(xué)習(xí)的一種技術(shù)。

早期機(jī)器學(xué)習(xí)研究者中還開發(fā)了一種叫人工神經(jīng)網(wǎng)絡(luò)的算法，但是發(fā)明之后數(shù)十年都默默無聞。神經(jīng)網(wǎng)絡(luò)是受人類大腦的啟發(fā)而來的：神經(jīng)元之間的相互連接關(guān)系。

但是，人類大腦中的神經(jīng)元可以與特定范圍內(nèi)的任意神經(jīng)元連接，而人工神經(jīng)網(wǎng)絡(luò)中數(shù)據(jù)傳播要經(jīng)歷不同的層，傳播方向也不同。舉個(gè)例子，你可以將一張圖片切分為小塊，然后輸入到神經(jīng)網(wǎng)絡(luò)的第一層中。

在第一層中做初步計(jì)算，然后神經(jīng)元將數(shù)據(jù)傳至第二層。由第二層神經(jīng)元執(zhí)行任務(wù)，依次類推，直到最后一層，然后輸出最終的結(jié)果。每個(gè)神經(jīng)元都會(huì)給其輸入指定一個(gè)權(quán)重：相對于執(zhí)行的任務(wù)該神經(jīng)元的正確和錯(cuò)誤程度。

最終的輸出由這些權(quán)重共同決定。因此，我們再來看看上面提到的停止標(biāo)志示例。一張停止標(biāo)志圖像的屬性，被一一細(xì)分，然后被神經(jīng)元“檢查”：形狀、顏色、字符、標(biāo)志大小和是否運(yùn)動(dòng)。

神經(jīng)網(wǎng)絡(luò)的任務(wù)是判斷這是否是一個(gè)停止標(biāo)志。它將給出一個(gè)“概率向量”（probabilityvector），這其實(shí)是基于權(quán)重做出的猜測結(jié)果。

在本文的示例中，系統(tǒng)可能會(huì)有86%的把握認(rèn)定圖像是一個(gè)停止標(biāo)志，7%的把握認(rèn)為是一個(gè)限速標(biāo)志，等等。網(wǎng)絡(luò)架構(gòu)然后會(huì)告知神經(jīng)網(wǎng)絡(luò)其判斷是否正確。

不過，問題在于即使是最基礎(chǔ)的神經(jīng)網(wǎng)絡(luò)也要耗費(fèi)巨大的計(jì)算資源，因此當(dāng)時(shí)不算是一個(gè)可行的方法。

不過，以多倫多大學(xué)GeoffreyHinton教授為首的一小批狂熱研究者們堅(jiān)持采用這種方法，最終讓超級計(jì)算機(jī)能夠并行執(zhí)行該算法，并證明該算法的作用。

如果我們回到停止標(biāo)志那個(gè)例子，很有可能神經(jīng)網(wǎng)絡(luò)受訓(xùn)練的影響，會(huì)經(jīng)常給出錯(cuò)誤的答案。這說明還需要不斷的訓(xùn)練。

它需要成千上萬張圖片，甚至數(shù)百萬張圖片來訓(xùn)練，直到神經(jīng)元輸入的權(quán)重調(diào)整到非常精確，幾乎每次都能夠給出正確答案。

不過值得慶幸的是Facebook利用神經(jīng)網(wǎng)絡(luò)記住了你母親的面孔；吳恩達(dá)2012年在谷歌實(shí)現(xiàn)了可以識(shí)別貓的神經(jīng)網(wǎng)絡(luò)。

如今，在某些情況下，通過深度學(xué)習(xí)訓(xùn)練過的機(jī)器在圖像識(shí)別上表現(xiàn)優(yōu)于人類，這包括找貓、識(shí)別血液中的癌癥跡象等。谷歌的AlphaGo學(xué)會(huì)了圍棋，并為比賽進(jìn)行了大量的訓(xùn)練：不斷的和自己比賽。

總結(jié)人工智能的根本在于智能，而機(jī)器學(xué)習(xí)則是部署支持人工智能的計(jì)算方法。簡單的將，人工智能是科學(xué)，機(jī)器學(xué)習(xí)是讓機(jī)器變得更加智能的算法，機(jī)器學(xué)習(xí)在某種程度上成就了人工智能。

本文作者M(jìn)ichaelCopeland曾是WIRED編輯，現(xiàn)在是硅谷知名投資機(jī)構(gòu)AndreessenHorowitz的合伙人。

人工智能技術(shù)是社交網(wǎng)絡(luò)的救命稻草嗎

人工智能的定義可以分為兩部分，即“人工”和“智能”。“人工”比較好理解，爭議性也不大。有時(shí)我們會(huì)要考慮什么是人力所能及制造的，或者人自身的智能程度有沒有高到可以創(chuàng)造人工智能的地步，等等。

但總的來說，“人工系統(tǒng)”就是通常意義下的人工系統(tǒng)。

人工智能是包括十分廣泛的科學(xué)，它由不同的領(lǐng)域組成，如機(jī)器學(xué)習(xí)，計(jì)算機(jī)視覺等等，總的說來，人工智能研究的一個(gè)主要目標(biāo)是使機(jī)器能夠勝任一些通常需要人類智能才能完成的復(fù)雜工作。

但不同的時(shí)代、不同的人對這種“復(fù)雜工作”的理解是不同的。

總結(jié)

以上是生活随笔為你收集整理的人工神经网络可以做什么,人工神经网络有什么用的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。