神經網絡與人類思維間的深層關系
本文轉載自公眾號“讀芯術”(ID：AI_Discovery)。
人工智能席卷了世界，所謂的“機器學習算法”已經滲透到現代技術各個可能的層面，它已成為義務而不是創新。有些人可能會爭論，我們今天使用的機器學習算法是否足夠自主到可以稱為真正的AI，這個爭論過于寬泛，并不是本文的重點。
在這篇文章中，我試圖探索神經網絡與人類思維之間的深刻復雜性和深層關系。
當你開始在谷歌上輸入時，瀏覽器怎么就已經猜到你在找什么呢?移動相機又如何在我們稱為照片的微小像素海洋中識別人臉呢?像Alexa、Siri或Google Home這樣的虛擬助理如何實現復雜的任務，例如安排會議、獲取天氣信息、閱讀睡前故事等呢?
所有這些問題的答案正是機器學習，更具體地說，是神經網絡。
什么是神經網絡?
本節意在告訴完全不了解深度學習的人什么是基本的神經網絡。雖然實際涉及的數學更復雜，但這里的重點不是神經網絡的工作方式，而是試圖理解他們與人類思維的聯系。
神經元
神經元是神經網絡中最簡單的單位。神經元所做的是從上一層中的所有神經元接收輸入值(此案例中神經元y的上一層用藍色表示，如x1, x2 , x3等等)，并將每個輸入值與來自輸入值的神經元相關的權重相乘。所以這里x1與w1相乘，x2與w2相乘等以此類推，所有這些乘法都是在神經元y內部增加的。
y=x1.w1 + x2*w2 +x3*w3……xm.wm
然后使用激活函數如Sigmoid、tanH、ReLU等將該求和值轉換為輸出值。那么這些激活函數又是什么呢?下面舉個sigmoid激活函數的例子。
Sigmoid激活函數
Sigmoid激活函數將任何輸入值(本案例中求和y即是Sigmoid函數的輸入值)轉換為0至1范圍內的值。就這么簡單，添加輸入值和各自的權重到激活函數中就好啦。你的神經元就會給你一個輸出值。
簡單的神經網絡
這和神經網絡一樣簡單。如你所見，這里的每個灰色圓圈都是一個神經元，這個神經網絡有三層：輸入層、隱藏層和輸出層。
現在，神經網絡學會了自行處理任務，但它們是如何學習的呢?當然是通過數據。我們將在下一節中討論更多關于從數據中學習的內容，但我們現在知道了，數據通過輸入層輸入到神經網絡，在中間層進行處理，然后由輸出層輸出。
將圖像分類為貓和狗的神經網絡
例如，如果你想讓一個神經網絡從圖像中識別貓和狗，那么貓和狗的標簽圖像(標簽圖像意味著我們給神經網絡一個正確的答案)就會輸入到神經網絡，進行處理，神經層猜測它是貓還是狗。現在，由于它有了圖像答案，便以這種方式調整不同神經元之間的權重，來提高準確度。
人類思維——一個巨型神經網絡
你有沒有觀察過蹣跚學步的孩子玩耍?他們總是如此好奇，渴望與周圍的世界互動。幼兒的大腦就像簡單而未經訓練的神經網絡，他們一出生就開始學習。由于神經網絡在早期階段非常簡單，所以幼兒最早學的都是完成非常基本的任務，如行動、吃飯和爬行等等。
當一個初學走路的孩子拿著一個球時，他會觀察它的重量、形狀、握著它的感覺與皮膚周圍的變化等。這一觀察是他最初的部分學習過程，事實上也是在幫助他學習。幼兒玩球訓練了他的大腦，為下次的活動做好準備。
圖源：unsplash
現在，當他看到一個球，他就記得它是什么，拿著球和丟球的感覺如何。當孩子玩球次數越來越多，訓練就形成了。青少年幾乎是玩耍和投擲球的專家，盡管人們可能會認為投球是一項非常簡單的任務，但你為之所經歷的學習，無論如何都不是捷徑。
正如前文所述，孩子的大腦就像一個簡單的神經網絡，實現基本的任務，如走路、吃飯、說話等。隨著孩子的成長，他學會了更復雜的過程，如手和眼睛協調，說話流利，吃飯不灑等。
有訓練神經網絡經驗的人認為，訓練一個簡單的網絡相對容易，但隨著增加更多神經層，讓數據和終端輸出更加復雜，學習速度就會減慢。童年是學習一項新技能的最佳時機，因為與成年人相比，他們的神經網絡更簡單，大腦沒有受過訓練，因此更容易將神經元彎曲到你的意愿上。
當孩子長大后，隨著任務變得復雜，學習也變得困難。例如，解決棘手的問題、做出決策和判斷就是復雜任務，即便我們成年人也沒有停止學習和發展。大腦一直在學習，那么這種學習到底是如何發生的呢?
答案是——大腦重塑自己。就像神經網絡中神經元之間的權重和連接發生變化一樣，大腦也改變了數十億神經元的連接，為了讓復雜的神經網絡不僅保留之前接受的訓練，還能在此基礎上再接再厲，提升最終過程的復雜性。
正如你在閱讀這篇文章的時候，你大腦中的每個神經元都在改變自己，改變它與數十億其他神經元的聯系，在你自出生以來獲得的經驗的基礎上增加經驗。這就是學習的方式。每次你在學習，大腦都會重塑自己，這個過程就像訓練神經網絡一樣。
數據就是一切
如今對科技巨頭來說，沒有什么比基于消費者的數據更重要。原因在于數據驅動“機器學習算法”。數據訓練神經網絡，沒有數據就不可能學習。你一定遇到過下面這種驗證碼：
圖源：unsplash
答對這個驗證碼可能對你來說小菜一碟，但讓一個孩子來做，他可能答對但速度很慢。事實上，每次你在網絡上回答這樣的驗證碼，都可以幫助訓練機器人或神經網絡。你實際上是在幫助準備數據，訓練真正為你服務的模型。可以說，你已經訓練了大量重要的模型。
就像我們為人為制造的模型準備的數據是最重要的一樣，人類的頭腦也是一個貪婪的網絡，在你生活的每個瞬間獲取大量的數據。數據在建設你，幫助你學習，把你變成智能機器。這就帶我們進入了人類大腦學習周圍數據的最終層面，即輸入層或者五官感覺。
五種感官
神經網絡有一個輸入層，數據通過它理解和處理的模型形式進入網中。然后數據傳遞到隱藏層進行訓練，權重發生變化，最后輸出層給出了一個預測，無論區分出它是貓還是狗，還是根據學過的單詞完成一個句子。
由于我們把人類思維比作一個巨大的神經網絡，只有當這個網絡也有一個輸入層時，它才是清楚的。視覺、聽覺、觸覺、味覺和嗅覺五種感官構成了輸入層到大腦中。
視覺是所有五種感覺中最重要的，因為最大的數據變化就來自于這種感覺。訓練神經網絡最好的數據集合要包含不同類型的數據和示例，而不止是一種數據。只有一種數據會導致模型過度擬合，這意味著當數據源于經受訓練過的同類，可能會給出正確的結果，但是當數據偏離訓練數據規范時，精確度便受到威脅。
生活中大多數重要的學習過程中，眼睛是最活躍的。從走路到吃飯，從學習騎自行車到彈鋼琴，從與他人互動到電腦上打字，幾乎每一項任務都需要我們的眼睛。
聽覺也很重要，這在以前更為明顯，那時人類不得不在荒野中尋找食物，耳朵都集中在獵物發出的聲音上，他們的生存取決于這種感官。
觸覺也是人類最珍貴的感官之一。它使我們的手遠離燙爐，防止把沸騰的牛奶喂給嬰兒，讓人類接觸想要觸碰的對象。
雖然嗅覺和味覺對人類神經網絡的主要學習貢獻不大，但它們有自身價值。這些感官有利于在生活成長和學習過程中探索趣味。聞到鮮花的芳香，品嘗美酒的醇厚，以及感受美好的生活，都是通過嗅覺和味覺來實現的。
現在，我們已經了解了輸入層、數據和發生所有處理過程的神經網絡。再舉個例子，把所有的拼圖塊放在一起，看看更大的畫面，即模式識別。
模式識別
以學習閱讀為例。眼睛是這里最重要的感官。孩子們學會閱讀要先學習字母，反復看字母，嘗試發音并寫出來。每次讀、說、寫都在訓練頭腦，提高準確性，直到寫出完整的字母表。
在神經網絡受到相對簡單的訓練后，孩子會把單詞串在一起，現在聽覺起主要的作用。當他提到這些作品時，就在這些單詞中開啟識別模式，26個字母如何不同組合成大量的單詞，形成英語。
這種模式識別非常重要，可幫助孩子識別人臉、動物或玩具。成年人的模式識別變得非常強大，他們接受了大量訓練，處理海量數據幫助他們識別周圍的模式。根據經驗預測是否會下雨，根據記憶和經驗預測事件結果都是模式識別。福爾摩斯發現商隊里的莫里亞蒂教授，是因為他的袖子上有粉筆灰塵，這也是模式識別。
筆者雖然先解釋了神經網絡如何工作，然后將人類的思維與它們進行了比較，但實際上是相反的。人類思維激發了神經網絡。不然為什么你認為這些微小的功能被稱為神經元。
人類思維是一個及其復雜的結構，它產生了這個世界上的每一個思想、行動、記憶、感覺和經驗。進化給了人類一個強大的工具，我們今天嘗試把它復制到人工思維中，這樣類似奇跡的技術，我們稱之為神經網絡。
