1950年,在一篇引领人工智能(AI)探索的开创性论文的第一行,数学家阿兰·图灵提出了一个问题:“机器能思考吗?”。
当时,已知的唯一可以进行复杂计算的系统是生物神经系统。 因此,人工智能新兴领域的科学家转而将大脑回路作为指引源泉,也就不足为奇了。
神经科学的两大应用:深度神经网络与强化学习
自从开展通过类大脑回路进行智能计算的早期尝试以来,科学家们就选择了一条路径,即模拟皮质电路的高度简化方法,它近来也取得了非凡的成功。
这一路径的基本形态被称为“深度神经网络”(或深网)架构,这个受大脑的启发而形成的模型由连续的神经元样元素层构建而成,通过被称为“突触”(根据生物学中的“神经突触”命名)的可调整性权重相互连接。
深度神经网络及其相关方法在人工智能系统中的应用具有变革性的意义。事实证明,它们优于人工智能研究核心领域之前所有已知的方法,包括计算机视觉、语音识别和制作以及复杂游戏。这些方法已经在包括计算机视觉和语音与文本翻译等领域广泛应用,其他许多领域也在不断朝着这个方向努力。
大脑回路的其他方面能为引领网络模型向着认知和通用人工智能更为广阔的方向发展提供思路,我将在本文中介绍这一点。
深度神经网络中的关键问题是学习,即通过突触的调整来生成符合输入模式所需的输出信息。
突触的调整是基于一组训练样本自