未來人工智能自主學(xué)習(xí)網(wǎng)絡(luò)的構(gòu)建

文/歐陽毓珩

人工智能可以說是現(xiàn)代科技革命的中非常重要的一部分，也是現(xiàn)代產(chǎn)業(yè)革命的必須要重視的地方，因?yàn)槿斯ぶ悄茉谔岣呱a(chǎn)效率、方便人們生活等諸多方面有著非常重要的作用，所以，國家必須要重視人工智能技術(shù)的發(fā)展和應(yīng)用。雖然，人工智能技術(shù)的發(fā)展時(shí)間較長，但在構(gòu)建自主學(xué)習(xí)網(wǎng)絡(luò)方面還存在著許多的問題，在未來自主學(xué)習(xí)網(wǎng)絡(luò)人工智能化的過程中必須要樹立信心，要有足夠的勇氣和決心，才能推動(dòng)自主學(xué)習(xí)網(wǎng)絡(luò)的進(jìn)一步提高和發(fā)展。

1 傳統(tǒng)人工智能深度學(xué)習(xí)方式的困局

1957年，弗蘭克羅森布拉特提出了感知器理論，這是最早運(yùn)用計(jì)算機(jī)技術(shù)模仿人類神經(jīng)網(wǎng)絡(luò)的理論。雖然只是運(yùn)用一些基本的組件進(jìn)行搭建，但無疑是人類邁向人工智能化的一個(gè)好的開始。弗蘭克的感知器理論所搭建的神經(jīng)網(wǎng)絡(luò)的神經(jīng)元層次比較的少，只包括兩個(gè)層次的神經(jīng)元，即輸出層、輸入層，不能有效的增加神經(jīng)層，缺乏實(shí)際有效的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，早期的人工智能很難在解決實(shí)際問題時(shí)發(fā)揮有效的作用。神經(jīng)網(wǎng)絡(luò)教父杰弗里欣頓通過將bp 的誤差反向算法與最優(yōu)化方法結(jié)合在一起用來訓(xùn)練人工智能，雖然，這樣做解決了神經(jīng)網(wǎng)絡(luò)訓(xùn)練的問題，但是bp 算法也是有非常多局限性的，它的學(xué)習(xí)速度不快，甚至說是比較緩慢的，而且學(xué)習(xí)過程中神經(jīng)網(wǎng)絡(luò)狀態(tài)也不是很穩(wěn)定，容錯(cuò)率也不高。在bp 的基礎(chǔ)上的徑向基網(wǎng)絡(luò)就出現(xiàn)了，與以前的搭建的神經(jīng)網(wǎng)絡(luò)相比，徑向基網(wǎng)絡(luò)的神經(jīng)元層次比bp 的更多。徑向基網(wǎng)絡(luò)具有局部映射的特性，所以，神經(jīng)元與神經(jīng)元之間基本上相互獨(dú)立，神經(jīng)元的職能性也更強(qiáng)。但是徑向基網(wǎng)絡(luò)的缺陷在于只能去執(zhí)行計(jì)算機(jī)網(wǎng)絡(luò)的命令，并不能對(duì)命令進(jìn)行解釋，因而它在只是個(gè)計(jì)算機(jī)網(wǎng)絡(luò)命令的執(zhí)行者。強(qiáng)化學(xué)習(xí)和深度學(xué)習(xí)需要消耗大量的數(shù)據(jù)，深度學(xué)習(xí)主要依靠的是搜索、價(jià)值網(wǎng)絡(luò)、策略網(wǎng)絡(luò)三者相結(jié)合的計(jì)算機(jī)網(wǎng)絡(luò)組合形式，高頻率的計(jì)算次數(shù)，龐大的數(shù)據(jù)量使強(qiáng)化學(xué)習(xí)能夠被有效的實(shí)現(xiàn)出來。

2 未來人工智能神經(jīng)網(wǎng)絡(luò)的構(gòu)建方向

我們應(yīng)如何實(shí)現(xiàn)自主學(xué)習(xí)智能化呢？如何讓機(jī)器代替人工完成自主學(xué)習(xí)這件事情呢？人工智能的發(fā)展好像百煉成鋼，經(jīng)過數(shù)十年的不斷發(fā)展，我們擁有了今天的成績。人工智能自主學(xué)習(xí)網(wǎng)絡(luò)的搭建過程中的強(qiáng)化學(xué)習(xí)、深度學(xué)習(xí)就像是從鐵礦石中提取高純度的鐵，再通過高溫淬煉成鋼，想要獲得高精度的鋼必須要大量的鐵礦石，這些大量的鐵礦石就是深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)過程中需要的大量數(shù)據(jù)。深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)是基于對(duì)大量的數(shù)據(jù)進(jìn)行分析的基礎(chǔ)上總結(jié)出的經(jīng)驗(yàn)，它可以高效率的進(jìn)行工作，但是它的創(chuàng)新能力不夠強(qiáng)。就目前的深度學(xué)習(xí)發(fā)展?fàn)顩r來說，人工智能智能做到對(duì)人腦神經(jīng)網(wǎng)絡(luò)淺層次的行為進(jìn)行模仿，還需要未來堅(jiān)持不懈的向人腦的更深一層次進(jìn)行發(fā)展。不過，現(xiàn)在在自主學(xué)習(xí)人工智能化方面，在圖像處理、人工語音等方面的深度學(xué)習(xí)更加具有先進(jìn)性，甚至這些領(lǐng)域已經(jīng)在世界人工智能科技方面占據(jù)了一席之地。

這些技術(shù)領(lǐng)域的進(jìn)步跟我們所知道的人工智能自主學(xué)習(xí)網(wǎng)絡(luò)不太相符合，杰弗里欣頓最新的研究理論表明（Capsule 理論，英文是容器的意思，也稱它為膠囊），這個(gè)理論比早期的人工智能化神經(jīng)網(wǎng)絡(luò)的理論更為成熟，這一理論的出現(xiàn)更是推翻了杰弗里欣頓教授自己過去三十年的研究成果，給與了人工智能更多發(fā)展的可能性，他表示Capsule 是其活動(dòng)向量所表示的是特定實(shí)體類型的實(shí)例化參數(shù)的一組神經(jīng)元，用這樣神經(jīng)元組建的網(wǎng)絡(luò)系統(tǒng)（即rcn，遞歸皮質(zhì)網(wǎng)絡(luò)），可以說它是當(dāng)前最先進(jìn)的手寫識(shí)別性能，在識(shí)別高度重疊的數(shù)字方面，該網(wǎng)絡(luò)要比現(xiàn)在最先進(jìn)的cnn 技術(shù)效果要好的多。rcn 在小樣本識(shí)別、單樣本識(shí)別等多個(gè)任務(wù)中，取得的成果非常的喜人，它實(shí)現(xiàn)進(jìn)一步的與系統(tǒng)神經(jīng)學(xué)科理論相結(jié)合，rcn 把利用系統(tǒng)神經(jīng)科中的視皮層中側(cè)連接理論將物體轉(zhuǎn)化成了邊緣和面的組合，從理論上說，這進(jìn)

一步取得了組成模型方面的進(jìn)步。除此之外，rcn 能夠?qū)崿F(xiàn)中低層語義與高層語義的有效對(duì)接，將圖形化的中低層語義單元通過側(cè)向連接的方式傳遞給高層的語義，從而實(shí)現(xiàn)物體邊緣輪廓間的語義共享，從而進(jìn)一步提高了算法的效率，這樣就解決了神經(jīng)網(wǎng)絡(luò)只能執(zhí)行命令而不能解釋命令的問題，進(jìn)一步發(fā)展了人工智能自主學(xué)習(xí)深度化學(xué)習(xí)和強(qiáng)化學(xué)習(xí)，也增加了人工智能深度學(xué)習(xí)創(chuàng)新的可能性。Capsule 理論與rcn 的有機(jī)結(jié)合，不但可以為未來人工智能化發(fā)展提供更多的可能性，它將更進(jìn)一步的對(duì)人類大腦的認(rèn)知能力進(jìn)行更進(jìn)一步的模仿，更具有人的意識(shí)，而不只是大量數(shù)據(jù)基礎(chǔ)上的經(jīng)驗(yàn)總結(jié)。未來人工智能自主學(xué)習(xí)網(wǎng)絡(luò)的構(gòu)建應(yīng)該遵循第一性原理，要立足于人類大腦思維活動(dòng)的基礎(chǔ)上，讓自主學(xué)習(xí)網(wǎng)絡(luò)未來發(fā)展的更加的智能化、人性化，從而實(shí)現(xiàn)人工智能的自主學(xué)習(xí)網(wǎng)絡(luò)應(yīng)用。

3 結(jié)束語

綜上所述，人工智能化自主學(xué)習(xí)網(wǎng)絡(luò)的構(gòu)建還需要走很長的一段路，雖然人工智能化技術(shù)已經(jīng)取得了突破性的進(jìn)展，但在自主學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建方面還有一定欠缺，需要加強(qiáng)對(duì)這方面的經(jīng)濟(jì)投入、政策支持、人才培養(yǎng)，這樣才能在未來人工智能化發(fā)展的大潮中占據(jù)一席之地。