感知機(jī)

與符號(hào)主義學(xué)派在推理期、學(xué)習(xí)期有不同的學(xué)者去關(guān)注不同的問題的情形相似，當(dāng)美國(guó)北部麥卡洛克和皮茨著力于解決“大腦是如何處理信息”這個(gè)問題的同時(shí)，在美國(guó)東南部佛羅里達(dá)的耶基斯國(guó)家靈長(zhǎng)類研究中心有另外一群科學(xué)家在致力研究“大腦是如何學(xué)習(xí)到知識(shí)”的。麥卡洛克他們?cè)跀[弄青蛙，而另一位神經(jīng)心理學(xué)家唐納德·赫布（Donald Hebb，1904-1985）則從黑猩猩身上研究情感和學(xué)習(xí)能力，雖然赫布并沒有成功把黑猩猩“教導(dǎo)成材”獲得個(gè)學(xué)位什么的，但自己卻從中領(lǐng)悟出了一套生物學(xué)習(xí)的規(guī)則。

1949年，赫布出版了《行為組織學(xué)》（“Organization of Behavior”）一書。在該書中，赫布總結(jié)提出了被后人稱為“赫布法則”（“Hebb ' s Law”）的學(xué)習(xí)機(jī)制。他認(rèn)為如果兩個(gè)神經(jīng)元細(xì)胞總是同時(shí)被激活的話，它們之間就會(huì)出現(xiàn)有某種關(guān)聯(lián)，同時(shí)激活的概率越高，這種關(guān)聯(lián)程度也會(huì)越高。如果我們基于前文的M-P神經(jīng)元模型來理解這句話的話，可以理解為如果兩個(gè)神經(jīng)元同時(shí)激發(fā)，則它們之間的連接權(quán)重就會(huì)增加；如果只有某個(gè)神經(jīng)元單獨(dú)激發(fā)，則它們之間的連接權(quán)重就應(yīng)減少。赫布學(xué)習(xí)規(guī)則是最古老的也是最簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)規(guī)則。如果僅局限于神經(jīng)網(wǎng)絡(luò)方法范圍內(nèi)而言，機(jī)器學(xué)習(xí)的本質(zhì)就是調(diào)節(jié)神經(jīng)元之間的連接權(quán)重，也即是赫布法則中的神經(jīng)元關(guān)聯(lián)程度。

2000年的諾貝爾醫(yī)學(xué)獎(jiǎng)得主埃里克·坎德爾（Eric Kandel，1929-）的動(dòng)物實(shí)驗(yàn)也證實(shí)了赫布的理論。赫布的發(fā)現(xiàn)論文探討的內(nèi)容是純粹基于神經(jīng)科學(xué)和生物學(xué)的，但是在人工智能，尤其是在機(jī)器學(xué)習(xí)領(lǐng)域中，各種學(xué)習(xí)算法或多或少借鑒了赫布的學(xué)習(xí)理論。

最先把赫布的理論應(yīng)用于人工智能領(lǐng)域的，是兩位年紀(jì)相近、且都來自于同一所高中的校友，該高中名為布朗克斯科學(xué)高中，是一所出過八個(gè)諾貝爾獎(jiǎng)、六個(gè)普利策獎(jiǎng)、一個(gè)圖靈獎(jiǎng)的傳奇學(xué)校，其中一位是大家已經(jīng)很熟悉的人工智能奠基人明斯基，另外一位叫做弗蘭克·羅森布拉特（Frank Rosenblatt，1928-1971）。

雖然達(dá)特茅斯會(huì)議中連接主義相關(guān)的內(nèi)容并不是主要議題，連接主義相關(guān)內(nèi)容的風(fēng)頭完全被來自于符號(hào)主義學(xué)派的“邏輯理論家”蓋過。后來，“叛逃出”連接主義學(xué)派之后，明斯基自己也在盡力淡化他與連接主義間千絲萬縷的關(guān)系，但不可否認(rèn)，那時(shí)的明斯基當(dāng)時(shí)連接主義和神經(jīng)網(wǎng)絡(luò)的支持者。他1954年在普林斯頓的博士論文題目是《神經(jīng)-模擬強(qiáng)化系統(tǒng)的理論及其在大腦模型問題上的應(yīng)用》（“Theory of Neural-Analog Reinforcement Systems and its Application to the Brain-Model Problem”），這實(shí)際就是一篇關(guān)于神經(jīng)網(wǎng)絡(luò)的論文。明斯基用真空管搭建那個(gè)名叫“SNARC”（Stochastic Neural Analog Reinforcement Calculator，隨機(jī)神經(jīng)模擬強(qiáng)化計(jì)算器）的學(xué)習(xí)機(jī)器，可以在一個(gè)獎(jiǎng)勵(lì)系統(tǒng)的幫助下完成穿越迷宮的游戲。如果不考慮實(shí)用性的話，這可算是世界上第一批基于神經(jīng)網(wǎng)絡(luò)的自學(xué)習(xí)機(jī)器的工程實(shí)踐成果。

明斯基的SNARC

而神經(jīng)網(wǎng)絡(luò)在工程應(yīng)用上真正有實(shí)用意義的重大突破發(fā)生于1957年?？的螤柎髮W(xué)的實(shí)驗(yàn)心理學(xué)家羅森布拉特在一臺(tái)IBM 704計(jì)算機(jī)上模擬實(shí)現(xiàn)了一種他發(fā)明的叫做“感知機(jī)”（Perceptron）的神經(jīng)網(wǎng)絡(luò)模型，這個(gè)模型看似只是簡(jiǎn)單地把一組M-P神經(jīng)元平鋪排列在一起，但是它再配合上赫布法則，就可以做到不依靠人工編程，僅靠機(jī)器學(xué)習(xí)來完成一部分的機(jī)器視覺和模式識(shí)別方面的任務(wù)，這就展現(xiàn)了一條獨(dú)立于圖靈機(jī)之外的，全新的實(shí)現(xiàn)機(jī)器模擬智能的道路。一個(gè)可能是“圖靈機(jī)”級(jí)別的新成果，這光想想都令人激動(dòng)，一下子引起科學(xué)界的關(guān)注，并且得到了以美國(guó)海軍為首的多個(gè)組織的資助。

單純的感知機(jī)在今天幾乎沒有任何實(shí)際用途，但卻并不罕見，它幾乎被所有的神經(jīng)網(wǎng)絡(luò)書籍當(dāng)作為入門知識(shí)來使用，為了給本書第三部分關(guān)于機(jī)器學(xué)習(xí)的內(nèi)容打個(gè)良好的基礎(chǔ)，筆者就用一個(gè)具體例子來詳細(xì)解釋一下感知機(jī)的工作原理：我們目標(biāo)是希望令機(jī)器擁有自動(dòng)做識(shí)別阿拉伯?dāng)?shù)字的能力，假設(shè)待識(shí)別的數(shù)字通過光學(xué)掃描后存儲(chǔ)于14×14像素大小的圖片文件中，其中可能包含各種形式的數(shù)字，可能是不同印刷體或者是手寫體的，然后，我們準(zhǔn)備了類似下圖所示訓(xùn)練數(shù)據(jù)集供機(jī)器進(jìn)行學(xué)習(xí)之用：

數(shù)字識(shí)別的訓(xùn)練集

“訓(xùn)練集”是機(jī)器學(xué)習(xí)理論中的常見詞匯，現(xiàn)在我們先將它的意思通俗理解為機(jī)器不僅僅會(huì)得到一組內(nèi)容是數(shù)字的圖片，我們事先還會(huì)給機(jī)器明確標(biāo)注出了組圖片的每一張實(shí)際所代表的數(shù)字是什么，這么一組圖片用來給計(jì)算機(jī)學(xué)習(xí)使用，就稱為是訓(xùn)練集。

首先，我們要設(shè)計(jì)一套適當(dāng)?shù)臄?shù)據(jù)結(jié)構(gòu)，以便機(jī)器可以存儲(chǔ)和處理這些數(shù)字圖片，以一張14×14的灰度數(shù)字圖片為例，假如我們把黑色的像素用1表示，白色的像素用0表示，中間過渡的像素根據(jù)灰度強(qiáng)度大小用0-1之間的浮點(diǎn)值來表示，如下圖所示的一個(gè)14×14的二維數(shù)組便可以存儲(chǔ)訓(xùn)練集中的數(shù)字圖片，我們把這個(gè)數(shù)組作為輸入計(jì)算機(jī)的信息來源。

字符的數(shù)組表示

為了讓計(jì)算機(jī)能“看明白”圖片中的數(shù)字是什么，必須讓機(jī)器先從訓(xùn)練集的多張圖片中學(xué)習(xí)，學(xué)習(xí)的目標(biāo)是要找出訓(xùn)練集中每一張圖片是表示某個(gè)數(shù)字的特征，這些特征往往是模糊的，難以用語言精確表達(dá)，雖然人很難描述出來，但人類大腦卻能毫不費(fèi)力地認(rèn)出圖片是屬于某個(gè)數(shù)字的證據(jù)，這說明人類大腦其實(shí)是知道這些特征的。

按照神經(jīng)網(wǎng)絡(luò)一貫解決問題的思路，提取特征的辦法是選擇對(duì)圖片各個(gè)像素值進(jìn)行加權(quán)求和，根據(jù)訓(xùn)練集中的樣本和標(biāo)注數(shù)字的對(duì)應(yīng)結(jié)果，如果某一個(gè)像素具有很負(fù)面的證據(jù)說明這張圖片不屬于某個(gè)數(shù)字的話，就把這個(gè)像素在該數(shù)字下相應(yīng)的權(quán)值設(shè)置為負(fù)數(shù)，相反如果這個(gè)像素?fù)碛杏辛Φ淖C據(jù)支持這張圖片屬于某個(gè)數(shù)字，那么該像素的權(quán)值是正數(shù)。這不難理解，不管手寫的還是印刷的，每個(gè)數(shù)字都有一些用于區(qū)分它們的特征，譬如數(shù)字“0”對(duì)應(yīng)的圖片，在圖片中心的位置肯定不應(yīng)該出現(xiàn)有黑色（浮點(diǎn)值為1）像素，如果出現(xiàn)了這就是負(fù)面證據(jù)，將降低這個(gè)圖片是數(shù)字“0”的概率。使用紅色代表負(fù)數(shù)權(quán)值，藍(lán)色代表正數(shù)權(quán)值的話，經(jīng)過訓(xùn)練集中多張數(shù)字圖片的校準(zhǔn)之后，“0”至“9”各個(gè)數(shù)字對(duì)應(yīng)的像素權(quán)限分布情況大致將如下圖所示。

數(shù)字0至9的權(quán)重分布

接下來，我們把圖片到“0”至“9”十個(gè)數(shù)字的分類過程，轉(zhuǎn)化為十個(gè)M-P神經(jīng)元的工作過程。每個(gè)M-P神經(jīng)元有196個(gè)（14×14）像素值的輸入項(xiàng)，經(jīng)過訓(xùn)練之后得到的各個(gè)像素值在該數(shù)字下的權(quán)重?cái)?shù)據(jù)就作為該神經(jīng)元的196個(gè)輸入項(xiàng)的加權(quán)值，由此構(gòu)成了一個(gè)由10個(gè)神經(jīng)元、共計(jì)1960個(gè)帶權(quán)重的連接線組成的神經(jīng)網(wǎng)絡(luò)。

因?yàn)槲覀兡Ｐ椭械臋?quán)重值是根據(jù)訓(xùn)練集中大量樣本學(xué)習(xí)得出的，所以在理想情況下，其他不在訓(xùn)練樣本集合中的圖片，只要它依然是人類可辨認(rèn)的阿拉伯?dāng)?shù)字圖片的話，就應(yīng)當(dāng)同樣適合這個(gè)模型，加權(quán)求和再經(jīng)過閾值比較之后，網(wǎng)絡(luò)中應(yīng)該激活一個(gè)且只激活一個(gè)其數(shù)字對(duì)應(yīng)的M-P神經(jīng)元，這個(gè)神經(jīng)元代表的數(shù)字就是圖片識(shí)別的結(jié)果。

從這個(gè)例子里可以在提煉出一個(gè)更為普適的神經(jīng)網(wǎng)絡(luò)機(jī)器學(xué)習(xí)解釋，神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)方法的基本原理就是從訓(xùn)練集中提取出分類特征，這些特征應(yīng)能同樣適應(yīng)獨(dú)立同分布的其他未知數(shù)據(jù)，所以經(jīng)已知數(shù)據(jù)學(xué)習(xí)訓(xùn)練后的神經(jīng)網(wǎng)絡(luò)可以對(duì)同類的未知數(shù)據(jù)有效。再回到我們這個(gè)數(shù)字識(shí)別的例子中，整個(gè)神經(jīng)元網(wǎng)絡(luò)如下圖所示的結(jié)構(gòu)。

識(shí)別數(shù)字的神經(jīng)網(wǎng)絡(luò)模型

不過，以上的網(wǎng)絡(luò)結(jié)構(gòu)僅是能處理“理想情況”的模型，在實(shí)際使用過程中，往往會(huì)發(fā)現(xiàn)網(wǎng)絡(luò)中出現(xiàn)不止一個(gè)M-P神經(jīng)元被激活的情況，其原因也是不難理解的，畢竟許多手寫體的數(shù)字會(huì)存在“模凌兩可”的特征，有些模糊到甚至人類都可能識(shí)別錯(cuò)誤。譬如下面這些圖片，就來源于測(cè)試集中導(dǎo)致了模型出現(xiàn)了兩個(gè)（或以上）神經(jīng)元同時(shí)激活的數(shù)據(jù)，這類模糊的數(shù)據(jù)便會(huì)使得識(shí)別出現(xiàn)歧義而導(dǎo)致識(shí)別失敗。

可能同時(shí)激活多個(gè)神經(jīng)元的手寫數(shù)字

為了應(yīng)對(duì)多于一個(gè)神經(jīng)元被激活的實(shí)際情況，神經(jīng)元輸出就不適合再簡(jiǎn)單的以“是否激活”的離散形式來判斷，這里需要將M-P神經(jīng)元的閾值比較這部分改進(jìn)一下，修改為輸出一個(gè)代表神經(jīng)元“被激活的強(qiáng)度”的連續(xù)值，然后把各個(gè)神經(jīng)元的激活強(qiáng)度值都放入網(wǎng)絡(luò)后方的Softmax歸一化函數(shù)（此處僅是以Softmax函數(shù)為例，還可以選擇其他函數(shù)）中進(jìn)行處理，以便抑制概率小的、增強(qiáng)概率大的數(shù)字分類。因此，真正可用于實(shí)際數(shù)字識(shí)別場(chǎng)景的神經(jīng)網(wǎng)絡(luò)將如下圖所示。

識(shí)別數(shù)字的神經(jīng)網(wǎng)絡(luò)模型，改進(jìn)版

以上便是感知機(jī)和神經(jīng)網(wǎng)絡(luò)是如何應(yīng)用于機(jī)器視覺識(shí)別的工作原理，簡(jiǎn)單介紹了感知機(jī)的原理之后，我們?cè)倩氐搅_森布拉特和感知機(jī)的故事中。

在IBM 704主機(jī)中軟件模擬成功兩年以后，羅森布拉特成功制造出了世界上第一臺(tái)硬件感知機(jī)“Mark-1”，就是本書第一章中展示過的，得到美國(guó)海軍高度評(píng)價(jià)的那臺(tái)機(jī)器。Mark-1的輸入端是一個(gè)20×20的感光單元矩陣，以此將英文字符的光學(xué)信號(hào)轉(zhuǎn)化為電信號(hào)，再通過物理線纜連接的方式將其與和后面字母分類的神經(jīng)元層相連。Mark-1的訓(xùn)練方法是使用電動(dòng)馬達(dá)來調(diào)整連接線的電壓計(jì)，以電壓值來表示連接的權(quán)重。如果讀者看懂了前面關(guān)于感知機(jī)工作原理介紹的話，那以今天神經(jīng)網(wǎng)絡(luò)有了長(zhǎng)足發(fā)展后的眼光看來，這臺(tái)感知機(jī)的原理并沒有任何復(fù)雜之處，但是以當(dāng)時(shí)的電氣水平來說，真的把這樣一臺(tái)機(jī)器制造出來，場(chǎng)面還是頗為“壯觀”的，讀者可以通過下面這張實(shí)物圖片來感受一下直接用物理連接來實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)的Mark-1感知機(jī)的“復(fù)雜”程度。

羅森布拉特和他的感知機(jī)Mark-1

這臺(tái)Mark-1感知機(jī)在經(jīng)過學(xué)習(xí)訓(xùn)練后，確實(shí)能夠符合預(yù)期地工作，成功地識(shí)別出多個(gè)英文字母。在當(dāng)時(shí)，有人能夠教會(huì)一臺(tái)機(jī)器“認(rèn)字”，這件事情毫不意外地產(chǎn)生了極為吸引眼球的輿論效果，為人工智能的迅速升溫提供了強(qiáng)大推動(dòng)力。羅森布拉特不僅做出了第一臺(tái)有工程樣品價(jià)值的感知機(jī)，他還在理論上證明了單層神經(jīng)網(wǎng)絡(luò)在處理線性可分的模式識(shí)別問題時(shí)是可以收斂的，并以此為基礎(chǔ)，做了多個(gè)關(guān)于感知機(jī)學(xué)習(xí)能力的實(shí)驗(yàn)。

1962年，羅森布拉特還出了一本書，名字叫《神經(jīng)動(dòng)力學(xué)原理：感知機(jī)和大腦機(jī)制的理論》（“Principles of Neurodynamics: Perceptrons and the Theory of Brain Mechanisms”），此書總結(jié)了他對(duì)感知機(jī)和神經(jīng)網(wǎng)絡(luò)的主要研究成果，一時(shí)被連接主義學(xué)派奉為“圣經(jīng)”。

凜冬將至

伴隨著感知機(jī)影響的快速發(fā)酵，羅森布拉特的名氣也越來越大，媒體對(duì)他的工作甚至是他本人都表現(xiàn)出了極高的關(guān)注度。這點(diǎn)不難想象，能夠構(gòu)建一臺(tái)“有可能”能夠模擬人類大腦工作原理的機(jī)器，即使放到今天也可以輕而易舉地弄出個(gè)頭版頭條的大新聞。更加關(guān)鍵的是，羅森布拉特得到的研究經(jīng)費(fèi)也隨著感知機(jī)名聲的高漲而也越來越多，美國(guó)國(guó)防部和美國(guó)海軍都資助了他的研究工作，這件事在學(xué)術(shù)圈內(nèi)就不僅僅是獲取一點(diǎn)身外虛名的小事情而已了，其中還涉及到微妙的金錢和利益的分配，畢竟政府每年的資助的額度是有預(yù)算限制的，給羅森布拉特的預(yù)算多了，給其他人的自然會(huì)少。偏偏羅森布拉特這時(shí)不知收斂，沒有明哲保身悶聲發(fā)財(cái)，反而還一改往日作為一個(gè)學(xué)者的害羞和矜持，經(jīng)常在媒體出鏡，開跑車、彈鋼琴、到處顯擺，致使不少人工智能領(lǐng)域的學(xué)者都對(duì)他極為不忿。其中有人只是心里反感，有的人是批評(píng)聲討，還有的人直接“明劍執(zhí)刀”地對(duì)他進(jìn)行學(xué)術(shù)攻擊，而真正致命的打擊，來自于他的高中校友，當(dāng)時(shí)同樣是連接主義學(xué)派的巨頭明斯基之手。

明斯基是達(dá)特茅斯會(huì)議的組織者，是人工智能的幾位奠基人之一。1959年，明斯基加入麻省理工學(xué)院，創(chuàng)立了麻省理工的計(jì)算機(jī)系以后，其主要工作之一就是與政府機(jī)構(gòu)對(duì)接，負(fù)責(zé)申請(qǐng)研究經(jīng)費(fèi)方面的事務(wù)，他與羅森布拉特的結(jié)怨，最初也是源于這些與學(xué)術(shù)無關(guān)的行政工作之中。

在一次兩人都有參與的工作會(huì)議上，明斯基在和羅森布拉特大肆爭(zhēng)吵，徹底將他們之前已有的矛盾公開化。兩位人工智能學(xué)術(shù)巨頭的斗爭(zhēng)，不可能只停留在嘴皮子撒潑吵架定勝負(fù)，最終是要在學(xué)術(shù)的上見分曉。明斯基直接對(duì)羅森布拉特研究感知機(jī)存在的價(jià)值和前途發(fā)起了進(jìn)攻，指出羅森布拉特的感知機(jī)和神經(jīng)網(wǎng)絡(luò)的實(shí)際價(jià)值非常有限，絕不可能作為解決人工智能的問題的主要研究方法。隨后，為了證明自己的觀點(diǎn)，證明感知機(jī)和神經(jīng)網(wǎng)絡(luò)具有天生缺陷，明斯基和麻省理工學(xué)院的另一位教授西摩爾·派普特（Seymour Papert，1928-2016）合作，著手從數(shù)學(xué)和邏輯上去證明羅森布拉特的理論和感知機(jī)具有重大的局限性，沒有什么發(fā)展前途。他們合作的成果就是那本在人工智能歷史上影響巨大的、“是也非也”的傳奇書籍：《感知機(jī)：計(jì)算幾何學(xué)導(dǎo)論》（“Perceptrons: An Introduction to Computational Geometry”)。

馬文·明斯基（左）與西摩爾·派普特（右）

那感知機(jī)確實(shí)是如明斯基所說那樣，存在先天缺陷嗎？如果僅限于羅森布拉特所提出的單層感知機(jī)而言，確是如此。前文提到過，皮茨和麥卡洛克曾向人們展示了M-P神經(jīng)元可以通過不同的連接方式和權(quán)重來實(shí)現(xiàn)邏輯與、或、非運(yùn)算，羅森布拉特的感知機(jī)基本原理，就是利用了神經(jīng)元可以進(jìn)行邏輯運(yùn)算特點(diǎn)，通過赫布學(xué)習(xí)規(guī)則，調(diào)整連接線上的權(quán)重和神經(jīng)元上的閾值。羅森布拉特把一組神經(jīng)元平鋪排列起來，組合成為一個(gè)單層的神經(jīng)元網(wǎng)絡(luò)，經(jīng)過學(xué)習(xí)階段的權(quán)值調(diào)整，便可實(shí)現(xiàn)根據(jù)特定特征對(duì)輸入數(shù)據(jù)進(jìn)行分類。不過這種分類只能做到線性分割——即感知機(jī)可以應(yīng)用的前提條件，必須是輸入的數(shù)據(jù)集在特定特征下是線性可分的。

“分類”是今天機(jī)器學(xué)習(xí)中最常見應(yīng)用之一，下一章我們會(huì)詳細(xì)探討這部分的問題。這里不放先簡(jiǎn)化，按照最簡(jiǎn)單的0-1分類來理解，分類指經(jīng)過神經(jīng)網(wǎng)絡(luò)處理后，將符合特定特征的輸入數(shù)據(jù)的輸出為1，不符合的輸出為0。

邏輯與、或、非操作本身也可以視為一種最基本的分類操作，因此，即使對(duì)于僅有單個(gè)M-P神經(jīng)元構(gòu)成的感知機(jī)而言，也具備分類能力，如以下面的M-P神經(jīng)元為例子，通過調(diào)節(jié)連接線權(quán)重，切換成不同的邏輯運(yùn)算便可以對(duì)輸入數(shù)據(jù)進(jìn)行0-1分類：

M-P神經(jīng)元

• 令w1=w2=1，閾值=2，則y=f（1×x1+1×x2-2），僅在x1= x2時(shí)，才有y=1，否則y=0，即“邏輯與”的效果。

• 令w1=w2=1，閾值=0.5，則y=f（1×x1+1×x2-0.5），僅在x1=1或者x2=1時(shí)，才有y=1，否則y=0，即“邏輯或”的效果。

• 令w1=-0.6，w2=0，閾值=-0.5，則y=f（-0.6×x1+0×x2+0.5），那x1=1時(shí)，有y=0，那x1=0時(shí)，有y=1，即“邏輯非”的效果。

而對(duì)于更一般的情形，由多個(gè)M-P神經(jīng)元組成的單層感知機(jī)，可以將輸入數(shù)據(jù)集中兩類線性可分的數(shù)據(jù)，以一個(gè)超平面將其劃分開來。上面單個(gè)M-P神經(jīng)元分割數(shù)據(jù)的例子，只是其中最簡(jiǎn)單的一個(gè)特例情況，相當(dāng)于在二維平面上的數(shù)據(jù)，被一條直線分割成兩個(gè)區(qū)域。

之前提到了“線性可分”這個(gè)詞，我們不必糾結(jié)它的數(shù)學(xué)定義，就從字面意思去理解就可以了：如果把邏輯與、或、非運(yùn)算輸入數(shù)據(jù)，按照0、1值構(gòu)成二維的坐標(biāo)平面，并把邏輯運(yùn)算結(jié)果為1的用紅色方塊表示，結(jié)果為0的用藍(lán)色圓圈表示，就形成了圖4-17中所示的內(nèi)容。由圖可見，三種邏輯運(yùn)算，都能夠很直觀地通過一條直線將這個(gè)二維坐標(biāo)平面中數(shù)據(jù)劃分開來。

感知機(jī)線性分割二維平面

在《感知機(jī)：計(jì)算幾何學(xué)導(dǎo)論》一書里，明斯基和派普特使用數(shù)學(xué)方法，證明了感知機(jī)在處理線性可分的數(shù)據(jù)時(shí)，其學(xué)習(xí)過程可以使得權(quán)重收斂到一個(gè)穩(wěn)定值，換句話說就是感知機(jī)處理線性可分問題是可行的。但是他們同時(shí)也指出了感知機(jī)的致命弱點(diǎn)：“感知機(jī)能解決線性可分的問題，但是它也僅僅能解決線性可分的問題”。兩位教授同樣用數(shù)學(xué)方法，證明了感知機(jī)，更準(zhǔn)確地說是單層的感知機(jī)并不能處理非線性數(shù)據(jù)的分類問題，其中最典型的就是“異或問題”。異或運(yùn)算（XOR，是一種邏輯析取操作，當(dāng)兩個(gè)運(yùn)算元的值不同時(shí)結(jié)果為真）也是一個(gè)很基本邏輯運(yùn)算操作，如果連這樣的問題都解決不了，那感知機(jī)的處理能力確實(shí)是有極大局限的。可以直觀地從圖4-18中看到，對(duì)于代表異或的圖形，確實(shí)沒有辦法通過一條直線就把紅色方塊和藍(lán)色圓點(diǎn)劃分開。

感知機(jī)線性分割二維平面

在證明單層感知機(jī)能力不足的同時(shí)，明斯基在書中還試圖將當(dāng)時(shí)還只存在于少數(shù)人大腦構(gòu)想中的多層感知機(jī)（Multilayer Perceptrons，MLP）的出路也一并堵死。雖然明斯基并沒有進(jìn)行嚴(yán)格的證明，但是他的靈敏的數(shù)學(xué)直覺告訴他多層感知機(jī)應(yīng)該是能夠處理非線性的分類問題的，因?yàn)檫@點(diǎn)在簡(jiǎn)單的低維度的樣例中很容易體現(xiàn)出來。如果延續(xù)我們之前的例子，只需要在網(wǎng)絡(luò)中增加一個(gè)“隱層”（Hidden Layer，這是神經(jīng)網(wǎng)絡(luò)的概念，神經(jīng)網(wǎng)絡(luò)中除去輸入層、輸出層外的中間層次被統(tǒng)稱為隱層），按照下圖中標(biāo)注的數(shù)值來設(shè)置連接線的權(quán)重和神經(jīng)元的閾值，就可以輕而易舉地實(shí)現(xiàn)出邏輯異或運(yùn)算。

其實(shí)，早在明斯基的《感知機(jī)：計(jì)算幾何學(xué)導(dǎo)論》出版之前四年（即1965年），烏克蘭數(shù)學(xué)家伊瓦赫年科（Alexey Grigorevich Ivakhnenko，1913-2007）就提出了和多層人工神經(jīng)網(wǎng)絡(luò)的很接近的模型，其中就有解決異或問題的介紹，當(dāng)時(shí)并沒有引起多大關(guān)注，但后來神經(jīng)網(wǎng)絡(luò)的火爆程度大家都清楚。

多層感知機(jī)處理異或問題

明斯基在書中說到：多層感知機(jī)雖然理論上有可能可以解決非線性可分的問題，但是實(shí)際上卻是完全不具備可行性的——無論是軟件模擬還是實(shí)際建造都幾乎是不可能的，因?yàn)槊吭黾佣嘁粋€(gè)隱層，新引入的連接數(shù)量都會(huì)急劇膨脹。即使只考慮網(wǎng)絡(luò)中只有前向連接（即網(wǎng)絡(luò)是一個(gè)有向無環(huán)圖，每一層的神經(jīng)元都只與下一層產(chǎn)生連接關(guān)系，這種最簡(jiǎn)化的神經(jīng)網(wǎng)絡(luò)在今天被稱為“前饋神經(jīng)網(wǎng)絡(luò)”）的簡(jiǎn)化情況，其產(chǎn)生的連接數(shù)量隨著層數(shù)增加，也會(huì)迅速發(fā)展成天文數(shù)字。

這種情景讀者可以自己想象，本章所提及的幾個(gè)神經(jīng)網(wǎng)絡(luò)的例子中，最簡(jiǎn)單的單層網(wǎng)絡(luò)也有14×14個(gè)輸入神經(jīng)元、10個(gè)輸出神經(jīng)元，這樣的神經(jīng)網(wǎng)絡(luò)就包含有1960（196×10）個(gè)神經(jīng)元連接，如果中間再加入一層與輸入項(xiàng)數(shù)量相同的隱層，整個(gè)網(wǎng)絡(luò)所需要訓(xùn)練的權(quán)重將會(huì)激增至是40376（196×196+196×10）個(gè)。更讓人頭痛的是，加入隱層之后，羅森布拉特的“Back Propagation”（請(qǐng)注意，此算法與今天深度學(xué)習(xí)的誤差反向傳播算法名字相似但內(nèi)容并不一樣）訓(xùn)練方法就不再有效了，原因是不同層次之間的權(quán)重調(diào)節(jié)并非獨(dú)立的，它們的取值會(huì)互相影響，不能再面向單個(gè)權(quán)重來調(diào)節(jié)，可是要一體化地訓(xùn)練如此龐大的連接權(quán)重，在當(dāng)時(shí)即沒有合適的硬件能處理這種規(guī)模的數(shù)據(jù)，也沒有可行的訓(xùn)練算法來實(shí)現(xiàn)。

明斯基在書中最后給出了他對(duì)多層感知機(jī)的評(píng)價(jià)和結(jié)論：“研究更兩層乃至更多層的感知機(jī)是沒有價(jià)值的”，多層感知機(jī)在沒來及被大家深入探究之前，就被明斯基直接判處了死刑。

《感知機(jī)：計(jì)算幾何學(xué)導(dǎo)論》，業(yè)內(nèi)普遍認(rèn)為此書阻礙了神經(jīng)網(wǎng)絡(luò)的發(fā)展

其實(shí)羅森布拉特自己也早已預(yù)感到感知機(jī)的能力可能存在限制的，但這種缺陷被明斯基以一種極具有敵意的方式呈現(xiàn)給公眾，對(duì)他來說是不可接受的。在《感知機(jī)：計(jì)算幾何學(xué)導(dǎo)論》的前言部分，明斯基甚至使用上了完全不顧及同行顏面的話語：“這里（指羅森布拉特的理論）的大部分內(nèi)容都沒有多少科學(xué)價(jià)值”（“Most of this writing is without scientific value”）。

由于明斯基在人工智能領(lǐng)域中的特殊地位，再加上他不久前（1969年，此書出版的同一年）剛獲得第四屆圖靈獎(jiǎng)所帶來的耀眼光環(huán)，這部書籍不僅對(duì)羅森布拉特本人，還對(duì)連接主義和神經(jīng)網(wǎng)絡(luò)的研究熱情，甚至是對(duì)整個(gè)人工智能學(xué)科都造成了非常沉重的打擊。

1971年7月11日，《感知機(jī)：計(jì)算幾何學(xué)導(dǎo)論》公開出版剛滿一年，羅森布拉特的四十三歲生日當(dāng)天，他在美國(guó)切薩皮克灣的一艘游船上“意外”落水，不幸身亡。筆者將意外二字加上引號(hào)，是因?yàn)榻裉旌芏嗳硕歼x擇相信此事并非巧合，而是羅森布拉特的驕傲驅(qū)使他在與明斯基的學(xué)術(shù)斗爭(zhēng)落敗后選擇了自殺。羅森布拉特是感知機(jī)的發(fā)明人，曾經(jīng)是感知機(jī)、神經(jīng)網(wǎng)絡(luò)甚至整個(gè)連接主義的捍衛(wèi)者，由于經(jīng)費(fèi)分配和高調(diào)的個(gè)人作風(fēng)等原因，在開拓神經(jīng)網(wǎng)絡(luò)機(jī)的器學(xué)習(xí)方法的道路上，他是一個(gè)很孤獨(dú)的斗士。他與明斯基的斗爭(zhēng)中無人對(duì)其聲援，還經(jīng)常備受其他學(xué)者責(zé)難。不知在生命的最后一刻，他是否也對(duì)神經(jīng)網(wǎng)絡(luò)和感知機(jī)的前途失去了信心。也許他還相信感知機(jī)會(huì)有突破困境破繭成蝶的一天，也有可能他自己也已經(jīng)心灰意冷。大概當(dāng)時(shí)是真的沒有任何人能夠預(yù)見到，神經(jīng)網(wǎng)絡(luò)和連接主義在二十多年后會(huì)還有機(jī)會(huì)逆襲，并終會(huì)成為人工智能研究的最主流最熱門的技術(shù)。

羅森布拉特死后，明斯基在《感知機(jī)：計(jì)算幾何學(xué)導(dǎo)論》一書的第二版發(fā)行時(shí)，刪除了原版里面全部對(duì)羅森布拉特的個(gè)人攻擊的句子，并在扉頁手寫了“紀(jì)念弗蘭克·羅森布拉特”（“In memory of Frank Rosenblatt”）的話語。但這畢竟是為時(shí)已晚，如同之前羅森布拉特被整個(gè)人工智能學(xué)術(shù)界聲討那樣，現(xiàn)在又有許多人工智能的研究者反過來認(rèn)定明斯基對(duì)羅森布拉特的死亡有間接的責(zé)任，認(rèn)為他是不可原諒的。尤其是在連接主義學(xué)派重新興起之后，許多人紛紛跳出來對(duì)明斯基口誅筆伐，譴責(zé)明斯基差點(diǎn)扼殺了他親手創(chuàng)立的人工智能這門學(xué)科，認(rèn)為明斯基應(yīng)該對(duì)羅森布拉特的死亡、對(duì)連接主義失落的十多年時(shí)間、還要對(duì)后來的人工智能的寒冬負(fù)責(zé)。馬哈雷特·博登（Margaret Boden，1936-）在她的作品《心如機(jī)器：認(rèn)知科學(xué)的歷史》（“Mind as Machine: A History of Cognitive Science”）對(duì)明斯基和他的書評(píng)價(jià)到：“毫無疑問，整本書從開頭到結(jié)束，全部都是對(duì)羅森布拉特的工作以及神經(jīng)網(wǎng)絡(luò)的研究的詛咒！”（“It`s pretty clear that the whole thing was intended，from the outset，as a book-length damnation of Rosenblatt`s work and neural network research in general”）。

后來的這些評(píng)價(jià)大多帶有一些個(gè)人的情緒，仿佛這些人是一早就知道感知機(jī)和神經(jīng)網(wǎng)絡(luò)是具有研究?jī)r(jià)值的，還預(yù)見到了它們將在人工智能中的重要作用，只是懾服于明斯基的威望才不敢吭聲，暗地里就一直就與羅森布拉特在并肩作戰(zhàn)一般。筆者看來，無論是羅森布拉特還是明斯基的觀點(diǎn)，既然學(xué)術(shù)研究，肯定就有說錯(cuò)話、走錯(cuò)方向的可能，我們不僅要看到那些有效的正確的成果，也應(yīng)該記錄那些走過的彎路，明斯基與羅森布拉特競(jìng)爭(zhēng)的悲劇結(jié)果，只是學(xué)術(shù)圈現(xiàn)實(shí)陰暗面的一次爆發(fā)。美國(guó)電氣電子工程師協(xié)會(huì)（Institute of Electrical and Electronics Engineers ，IEEE）于2004年設(shè)立了羅森布拉特獎(jiǎng)，以獎(jiǎng)勵(lì)在神經(jīng)網(wǎng)絡(luò)領(lǐng)域的杰出研究人員。

盡管明斯基當(dāng)時(shí)對(duì)神經(jīng)網(wǎng)絡(luò)的觀點(diǎn)并不是正確的，他與羅森布拉特的斗爭(zhēng)確實(shí)很可能有學(xué)術(shù)之外的原因在里面，但明斯基本人絕對(duì)是無愧為一名有自己明確學(xué)術(shù)觀點(diǎn)和哲學(xué)思想的人工智能大師的。在2007年，“深度學(xué)習(xí)”的概念已被提出，多層網(wǎng)絡(luò)的訓(xùn)練方法也已完善起來，深度神經(jīng)網(wǎng)絡(luò)逐步取得了令世人詫異的成就，神經(jīng)網(wǎng)絡(luò)在人工智能領(lǐng)域漸成燎原之勢(shì)的時(shí)候，他仍然堅(jiān)持著神經(jīng)網(wǎng)絡(luò)具有很大局限性的看法。明斯基在他的新作《情感機(jī)器》一書出版后，接受媒體采訪時(shí)曾經(jīng)說道：

“人工智能領(lǐng)域的每個(gè)人都在追求某種邏輯推理系統(tǒng)、遺傳計(jì)算系統(tǒng)、統(tǒng)計(jì)推理系統(tǒng)或神經(jīng)網(wǎng)絡(luò)系統(tǒng)，但無人取得重大突破，原因是它們過于簡(jiǎn)單。這些新理論充其量只能解決部分問題，而對(duì)其他問題無能為力。我們不得不承認(rèn)，神經(jīng)網(wǎng)絡(luò)不能做邏輯推理。例如，在計(jì)算概率時(shí)，它無法理解數(shù)字的真正意義是什么”。

在明斯基看來，人工智能應(yīng)當(dāng)類似于人腦，由有著不同的功能和結(jié)構(gòu)的區(qū)域去應(yīng)對(duì)視覺、情感、思維、記憶、運(yùn)動(dòng)等不同類型的任務(wù)。他希望能實(shí)現(xiàn)《情感機(jī)器》一書中描述的思維體系結(jié)構(gòu)，使人工智能在各種思維方式間切換。

人工智能的繁榮與寒冬

從1956年誕生起至70年代初這段時(shí)間，人工智能這門新興學(xué)科一直與政府、學(xué)術(shù)界、工業(yè)界還有風(fēng)投資本家都處于蜜月期之中。這20年里面，人工智能確實(shí)取得了一些成果和發(fā)展，不過迫于政府、媒體、科學(xué)界等各方的推波助瀾，人工智能也過早地向社會(huì)，尤其是這個(gè)學(xué)科的資助者們?cè)S下了太過浮夸的諾言，哪怕是學(xué)科里那些真正了解人工智能，真正潛心從事學(xué)術(shù)研究的學(xué)者，也過于樂觀的估計(jì)了這門科學(xué)的發(fā)展進(jìn)程，典型的諾言如早在1957年，司馬賀曾這樣公開宣告到：

“我的目標(biāo)不是使你們驚訝或者震驚——我能概括的最簡(jiǎn)單的表述方式就是現(xiàn)在世界上就已有機(jī)器能夠思考、學(xué)習(xí)和創(chuàng)造。而且它們做這些事情的能力還將快速增長(zhǎng)，直到可預(yù)見的未來，它們能夠處理的問題范圍將會(huì)擴(kuò)展至人類思想所能企及全部范圍”。

在這種充斥著激進(jìn)、盲目和樂觀思潮的氣氛下，類似的預(yù)言和承諾是數(shù)不勝數(shù)，歷史上有名的、出自這個(gè)領(lǐng)域幾位大師之口的還有以下這樣預(yù)言：

• 1958年，紐厄爾和司馬賀：“十年之內(nèi)，數(shù)字計(jì)算機(jī)將成為國(guó)際象棋世界冠軍?！?、“十年之內(nèi)，數(shù)字計(jì)算機(jī)將發(fā)現(xiàn)并證明一個(gè)重要的數(shù)學(xué)定理?！?/span>

• 1965年，司馬賀：“二十年內(nèi)，機(jī)器將能完成人能做到的一切工作?！?/span>

• 1967年，明斯基：“一代之內(nèi)……創(chuàng)造‘人工智能’的問題將獲得實(shí)質(zhì)上的解決?！?/span>

• 1970年，明斯基：“在三到八年的時(shí)間里我們將得到一臺(tái)具有人類平均智能的機(jī)器，這樣的機(jī)器能夠讀懂莎士比亞的著作，會(huì)給汽車上潤(rùn)滑油，會(huì)玩弄政治權(quán)術(shù)，能講笑話，會(huì)爭(zhēng)吵，總之，它的智力將會(huì)無與倫比?！?/span>

這些預(yù)言在今天看來非?？尚?，大師們“立下的Flag”全被現(xiàn)實(shí)啪啪打臉收?qǐng)??？墒橇⑾逻@些預(yù)言的那個(gè)時(shí)間段里，這些預(yù)言和承諾確實(shí)促使許多社會(huì)資源集中到了人工智能研究之上來。

1963年6月，麻省理工學(xué)院從美國(guó)剛剛建立的高等研究計(jì)劃局（ARPA，即后來的DARPA，國(guó)防高等研究計(jì)劃局）獲得了二百二十萬美元的研究經(jīng)費(fèi)，用于資助開展歷史上有名的“MAC工程”（Project on Mathematics And Computation）。這個(gè)工程的的主要研究方向之一便是人工智能，具體工作由明斯基和麥卡錫五年前建立的人工智能研究小組所承擔(dān)。從此以后，ARPA每年都為麻省理工提供三百萬美元針對(duì)人工智能的幾乎無條件無約束的專項(xiàng)經(jīng)費(fèi)，既不定具體方向，也不求具體產(chǎn)出，用時(shí)任ARPA主任的羅賓特·利克里德（Robnett Licklider，1915-1990）自己的話來說就是：“應(yīng)該資助人，而不是具體的項(xiàng)目”。所以這些經(jīng)費(fèi)才能“佛系”如此程度，允許研究者去做任何感興趣的方向上的研究，這樣的資助形式在政府對(duì)學(xué)術(shù)界的各種資助中是極不常見的。ARPA的無條件資助一直持續(xù)至七十年代才終止，這些經(jīng)費(fèi)促使麻省理工形成了無拘無束的研究氛圍及其特有的“Hacker文化”。除了麻省理工學(xué)院以外，ARPA還對(duì)紐厄爾和司馬賀在卡內(nèi)基梅隆大學(xué)的人工智能工作小組以及斯坦福大學(xué)人工智能項(xiàng)目（由麥卡錫于1963年從麻省理工跳槽到斯坦福大學(xué)后創(chuàng)建）提供了類似的資助，當(dāng)時(shí)世界上還有最后一個(gè)重要的研究機(jī)構(gòu)是由唐納德·米契（Donald Michie，1923-2007）于1965年在英國(guó)愛丁堡大學(xué)建立的人工智能實(shí)驗(yàn)室。在接下來的許多年，乃至今日，上述四所研究機(jī)構(gòu)一直是全球人工智能領(lǐng)域領(lǐng)先的研究中心，也是經(jīng)費(fèi)匯集的中心。

不過好景不長(zhǎng)，可能只是因?yàn)槿斯ぶ悄苎芯空邆儗?duì)其課題難度沒有能夠做出正確的判斷，也有可能是上帝為了讓歷史再一次證明盛極而衰是自然屆的鐵律?？傊?，過于樂觀的估計(jì)，即令全社會(huì)的資源蜂擁而至，也使得人們期望變得過高。時(shí)光荏苒，當(dāng)大家發(fā)現(xiàn)人工智能承諾無法兌現(xiàn)時(shí)，虛幻的泡沫便注定要破滅。研究經(jīng)費(fèi)的走向是其最直接的體現(xiàn)，對(duì)人工智能提供資助的各種機(jī)構(gòu)，如英國(guó)、美國(guó)政府，國(guó)防高等研究計(jì)劃署和美國(guó)國(guó)家科學(xué)委員會(huì)等等，都不約而同地對(duì)沒有明確方向和實(shí)用價(jià)值的人工智能研究終止了資助。隨后，類似“人工智能即使不是騙局也是庸人自擾的想法”的情緒和言論迅速從政府、研究機(jī)構(gòu)蔓延到全社會(huì)，整個(gè)社會(huì)公眾對(duì)人工智能的前景從盲目樂觀又轉(zhuǎn)變?yōu)橐环N極度悲觀和過分不信任的態(tài)度，這個(gè)階段，人工智能歷史上被稱為第一次“人工智能的寒冬（AI Winter）”

在寒冬之前，其實(shí)就已經(jīng)出現(xiàn)過一些線索，預(yù)示了這一局面即將降臨。最早在1966年，自動(dòng)語言處理顧問委員會(huì)（Automatic Language Processing Advisory Committee，ALPAC）提交給美國(guó)政府的一份報(bào)告中，對(duì)機(jī)器翻譯的進(jìn)展開始提出了有充滿批評(píng)和警告意味的評(píng)價(jià)。這個(gè)其實(shí)真怪不得別人批評(píng)，當(dāng)時(shí)人工智能的自然語言處理能力確實(shí)是難登大雅之堂。羅斯·奎利恩（Ross Quillian）在給匯報(bào)的聽眾演示他在自然語言方面的研究成果時(shí)，只能采用一個(gè)僅含二十個(gè)單詞的詞匯表進(jìn)行演示，因?yàn)楫?dāng)時(shí)的計(jì)算機(jī)內(nèi)存就只能容納這么點(diǎn)詞匯！還有不少關(guān)于人工智能的歷史材料上還記錄有這樣一項(xiàng)當(dāng)時(shí)機(jī)器翻譯的測(cè)試場(chǎng)景，翻譯過程中，機(jī)器把“心有余而力不足”（“The spirit is willing but the flesh is weak”）的英文句子譯成俄語再譯回來之后竟然變成了“酒是好的，肉變質(zhì)了”。美國(guó)自動(dòng)語言處理顧問委員會(huì)的這份報(bào)告，后來導(dǎo)致美國(guó)國(guó)家科學(xué)委員會(huì)（National Research Council，NRC）在為機(jī)器自然語言處理方面研究累計(jì)撥款二千萬美元后，最終不得不在沒有獲得任何有價(jià)值的成果情況下停止了資助。

在大西洋的彼岸，1973年英國(guó)數(shù)學(xué)家詹姆士·萊特希爾（James Lighthill，1924-1998）針對(duì)英國(guó)人工智能研究狀況，發(fā)表了赫赫有名的《萊特希爾報(bào)告》，這篇公開的報(bào)告是一份具有廣泛影響力的、直接刺破人工智能樂觀思潮泡沫的調(diào)查文件，被視作人工智能寒冬的開啟。它嚴(yán)厲地批判了人工智能領(lǐng)域里的許多基礎(chǔ)性研究，尤其是機(jī)器人和自然語言處理等幾個(gè)最熱門子領(lǐng)域，并給出了明確的結(jié)論：“人工智能領(lǐng)域的任何一部分都沒有能產(chǎn)出符合當(dāng)初向人們承諾的、具有主要影響力的成果”。此外，報(bào)告特別指出人工智能的研究者并沒有能夠解決如何將人工智能應(yīng)用于真實(shí)世界里必然會(huì)遇到的“組合爆炸”問題。整份報(bào)告的基調(diào)充滿了對(duì)人工智能研究在早期興奮期過后的全面悲觀?！度R特希爾報(bào)告》不僅導(dǎo)致了英國(guó)人工智能研究的全面低潮，并且其影響很快擴(kuò)散到了美國(guó)及其他人工智能的研究之中，到了1974年，各國(guó)政府的資助預(yù)算清單上都已經(jīng)很難再找到對(duì)人工智能項(xiàng)目的資助了。接下來長(zhǎng)達(dá)十年的時(shí)間里，人工智能經(jīng)歷了它歷史上的第一次寒冬，一些幾年前還在愈演愈烈的自吹自擂的狂歡中作繭自縛的人工智能從業(yè)者們，許多都不得不紛紛鋸短他們的鼻子，轉(zhuǎn)向其他領(lǐng)域去謀生。

站在今天回望歷史，人工智能的低潮發(fā)生過不止一次，而在進(jìn)入寒冬之前幾年，都有一些相似的征兆，譬如學(xué)術(shù)界奮力地發(fā)表論文，學(xué)術(shù)明星獲得萬眾追捧；所有擦邊專業(yè)的學(xué)生紛紛轉(zhuǎn)行搞起人工智能，市場(chǎng)還給這類“人才”開出令人咋舌的高薪；企業(yè)、研究機(jī)構(gòu)和學(xué)者們做出一個(gè)又一個(gè)預(yù)測(cè)和承諾，媒體連篇累牘報(bào)道人工智能的進(jìn)展。而大眾則睜著一雙雙無辜的大眼睛，好奇而驚恐地注視著他們不理解又不敢不關(guān)注的一切。已經(jīng)過去的寒冬，讓今天處于溫暖如春環(huán)境之中，閱讀此書的你我，都不得不去思考，這一次人工智能熱潮，是真的引爆了奇點(diǎn)，抑或只是歷史的另一個(gè)輪回？

其實(shí)，即使這次的人工智能熱潮，仍然是一個(gè)歷史輪回也不見得是一件多么可怕的事，每一個(gè)時(shí)代的技術(shù)浪潮，都有這個(gè)時(shí)代的條件，有這個(gè)時(shí)代的使命。50至70年代經(jīng)歷的第一次人工智能的熱潮里，不僅有浮夸，也隱藏著不少真正的技術(shù)進(jìn)步。例如卡耐基梅隆大學(xué)的“語音理解研究（Speech Understanding Research）”計(jì)劃，當(dāng)時(shí)甚至被 DARPA 評(píng)價(jià)為是“一場(chǎng)騙局”，但是這個(gè)研究所開發(fā)出來的“隱馬爾科夫模型”這樣的“黑科技”，在數(shù)十年后成為了計(jì)算機(jī)語音識(shí)別技術(shù)領(lǐng)域的重要一塊基石，參與其中的研究者大多都成為這個(gè)領(lǐng)域的一代宗師。寒冬過去之后，這些成果終會(huì)發(fā)出閃亮的光芒。

彩蛋：資深人工智能專家周志明知識(shí)課程上線小鵝通！

機(jī)器學(xué)習(xí)即 ML，是一門多領(lǐng)域交叉學(xué)科，涉及概率論、統(tǒng)計(jì)學(xué)、逼近論、凸分析、算法復(fù)雜度理論等多門學(xué)科。專門研究計(jì)算機(jī)怎樣模擬或?qū)崿F(xiàn)人類的學(xué)習(xí)行為，以獲取新的知識(shí)或技能，重新組織已有的知識(shí)結(jié)構(gòu)使之不斷改善自身的性能。

機(jī)器學(xué)習(xí)作為人工智能研究較為年輕的分支，機(jī)器學(xué)習(xí)也分監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)，同時(shí)隨著人工智能越來越被人們重視和越熱。

我們邀請(qǐng)超級(jí)暢銷書《深入理解Java虛擬機(jī)》作者周志明開設(shè)《外行也能懂的機(jī)器學(xué)習(xí)》課程，用深入淺出的語言講解機(jī)器學(xué)習(xí)的內(nèi)容。

課程福利：

• 前30位課程購買者，我們將提供全額返利。只要學(xué)完本套課程的用戶，我們將全額返還購買費(fèi)用！

• 連續(xù)打卡15天的用戶，我們將提供課程優(yōu)惠券，憑此優(yōu)惠券可購買矩陣數(shù)字經(jīng)濟(jì)智庫的任何一門課程。

課程報(bào)名方式：

• 關(guān)注“矩陣數(shù)字經(jīng)濟(jì)智庫”，即可在子菜單學(xué)院中找到“精品付費(fèi)”課程，進(jìn)入主頁面即可找到課程《外行也能懂的機(jī)器學(xué)習(xí)》。

• 通過掃碼直接進(jìn)入《外行也能懂的機(jī)器學(xué)習(xí)》：

《外行也能懂的機(jī)器學(xué)習(xí)》

有趣的靈魂在等你

長(zhǎng)按掃碼即可觀看課程

點(diǎn)一下好看  2019年科技更好看