人工智能如今已成為大街小巷的熱議話題。企業為了吸引客戶和目標用戶，在生產產品、提供方案時總會使用機器學習（ML）、深度學習（DL）等花哨的詞匯。但實際上，這些詞匯絕不僅是“噱頭”而已。

在過去數十年里，能夠解決實際問題的人工智能應用層出不窮，已經成為一種全球性的現象。像我這樣努力鉆研機器學習的人成百上千。Andrew Ng是我們的導師，他說道：“一百年前，電的發明改變了一切，而如今，我很難想象還有哪個行業在未來幾年內不會被人工智能改變。”

科技大廠了解科技發展的主流趨勢，且無法承擔技術落后的風險，所以他們都已適應了此次計算機革命。機器學習發展前景巨大，若你是一名開發人員，想要提高自己的技術水平，那建議你快開始學習它吧。

人工智能已經深刻改變了所有主要行業。人工智能與機器學習在醫療、神經科學、農業、安全、監控等領域的跨領域應用數不勝數，已經成為我們生活中不可或缺的一部分。但這一切是如何開始的呢？還要從幾十年前感知器剛被發明出來說起。

感知器的故事始于65年前，在開始講述這一故事之前，先簡單了解下“感知器”的定義：感知器既是一種簡易的生物神經元人工模型，也是一種用于監督學習的單層神經網絡算法。它由輸入值、權重和偏差以及一個激活函數組成。

單個感知器裝置

不過本文中我們不討論技術細節，開始講故事吧。

感知器的興起

1957年1月，弗蘭克·羅森布拉特（Frank Rosenblatt）在位于紐約布法羅的康奈爾航空實驗室公司發明了感知器，它是神經網絡的基本構件。這項發明是論文《感知器——一種感知和識別自動機》的研究結果。

韋氏詞典將自動機定義為：一種用來自動執行預定的操作序列或響應編碼指令的機器或控制機器。

這項研究歷時五年，旨在設計一個能夠學習復雜模式、模式感知和泛化的電子大腦模型。其背后的直覺在于建造一個具有類似人類功能的設備，如感知、形成概念、歸納經驗的能力、識別復雜的信息模式以及辨別不同大小、形狀和方向的相似物體。

然而，要執行上述操作，傳統的計算機系統需要存儲數千個甚至數百萬個模式，然后在需要時，再從這些模式中搜索識別出一個未知模式，這一步計算量非常之大，而且不是一個經濟的識別模式或對象的方法。

為了解決該問題，Frank Rosenblatt提出了一個系統，使其能夠根據生物大腦的原理工作，用概率方法代替確定性方法來識別模式之間的相似性。他的感知器模型由三大系統組成：

感官系統

交互系統

反映系統

每個系統都將進一步包含相互連接的單元，可以根據正在識別的模式打開或關閉這些連接。感官系統會接受輸入模式。交互系統會打開或關閉特定連接，反映系統會顯示輸出。

賦予感知器模型生命的定制硬件是Mark 1感知器，它主要是為圖像識別而設計的，外表是一個黑色盒子，很像現在的神經網絡，有輸入層、隱藏層和輸出層。

反向傳播的出現

把時間往前倒推幾十年，1986年，Geoffrey Hinton提出了一項成果，這項成果推動了感知器的后續發展。

當時他提出了一種名為反向傳播的新型學習程序，后來成為現代神經網絡模型的核心。這種技術通過調整神經網絡模型的權值來減少實際值和期望值之間的差異。它能使神經網絡學習或提取特征，概括輸入的模式或序列，從而對未見的數據表示做出相當準確的預測。

多層神經網絡模型中的逆向傳播可視化圖片

從那時起，研究開始取得了很大進展。現在，我們有VGGNet、ResNet、Inception等模型，可以快速準確地對物體進行分類。而所有這些都是基于我們試圖模仿人類大腦的事實。

但問題是，我們是否已經了解大腦識別人們在日常生活中所見物體的工作原理？隨著時間的推移，神經科學研究人員正在假設大腦理論，幫助我們了解大腦的學習、感知和記憶模式。

最新的機器學習

杰夫·霍金斯提出了“千腦智能理論”，大致內容是解釋人類大腦中的“新皮層”是如何負責對某一對象做出各種模型，然后分層次地進行投票，以達成共識，最后形成觸覺、嗅覺和視覺等感覺。

該理論認為，當我們在現實生活中看到某個物體時，大腦新皮層會激活一組特定的神經元。如果現在看到一組有著不同大小和方向的相似物體，那么新皮層也會激活一組類似的神經元，這使我們能夠概括出日常生活中看到的物體。雖然沒有那么簡單，但你可以形成一個大致的概念。

這與傳統的機器學習或尖端的深度學習不同，后者需要大量的輸入來學習模式，然后進行預測。

可視化新皮層中神經元的層次結構（圖源：Pixabay，靈感來源： Numenta HTM）

杰夫·霍金斯創立了Numenta公司，正致力于將《千腦智能理論》等頂尖的神經科學理論與人工智能相結合，從而創造出真正的智能機器，其工作原理與生物大腦相同。盡管前路漫漫，但我們堅信前進方向是正確的。因為我們已經取得了重大進展，而感知器是這一切的關鍵。

故事仍在繼續。..

作為一個有志于從事數據科學研究的人，我要感謝計算機科學領域的早期思想家。感謝1642年布萊斯·帕斯卡（ Blaise Pascal）發明第一臺機械計算器，感謝1842年艾達·洛芙萊斯（Ada Lovelace）第一次描述解決數學問題的運算順序，感謝1950年艾倫·圖靈（Alan Turing）創造了舉世聞名的圖靈測試，感謝歷史上所有做出貢獻的人。..。..

隨著如今人工智能的不斷進步，我們往往會忘記曾經遭遇的挫折，但正是這些挫折成就了今天的杰出工作。對研究人員來說，具有研究并主動推理直覺的能力是最大的財富。所以，就讓直覺帶你領略科學的偉大，成為此次技術革命的參與者吧。
責編AJX