所以 ， 尽管这些单元很小、很慢 ， 不像人工计算机部件那样制作精密、那样可靠 ， 但它运作起来非常流畅 ， 这就是人类特有的优势 。 基于这种观察和经历 ， 人类得到启发 ， 这种非同寻常的架构可以很好地实现思维 ， 构建第三种奇特新“脑” 。 这里的基本构件不是一个单元 ， 不是经典计算中的1或0 ， 也不是它的量子推广（如量子计算中的） ， 而是所谓的神经元 。

文章图片
图25/27

这是一个神经元模型 。 你所要做的是进行输入 ， 输入的是数字和权重 ， 权重也是数字 。 然后 ， 你对基于数字和权重的输入进行相乘或者其他处理 ， 然后将其导入你的神经元 ， 神经元根据输入值产生输出 ， 如此循环 。 你可以用一种神经元的输出作为下一层神经元的输入 。 这是一个简单的理想化模型 ， 以进入神经元并产生输出信号的电信号来描述实际的生物神经元是如何工作的 。 其优点是我们可以用程序进行设计和操作 。
这个领域的伟大发现经历了几个阶段 ， 但如今已经发展成一个非常精细和强大的实践理论 ， 那就是可以自主学习的简单神经元的网络 。 它们可以通过改变权重来学习 ， 这样它们的表现就会越来越好 。 这一基本原理是这样的：假设你的神经网络通过观察大量的图像来获取输入 ， 并对它们所看到的进行编码 ， 然后将信息发送给另一层神经元 ， 然后将它们的输出传播到再一层的神经元 ， 然后再传递到输出端 ， 这可以解释为一条信息 ， 告诉你原始图像中编码的信息是什么 。 例如 ， 你可能有一个神经元 ， 如果原始图像包含猫、人或某一类人脸 ， 它就会发光 。 现在假设你的图像包含一只猫 ， 但是你的输出中没有猫或者只有其他事物 。 这就是一个错误 ， 那么如何做得更好？神经元知道产生了错误的答案 ， 就像一个老师告诉它答案是对还是错 。 如果有一个错误 ， 这个神经元会告诉大脑 ， 告诉它的前一层神经 ， 它犯了一个错误 ， 进而改变它的权重 ， 这样就会更正错误 。 神经元说 ， 好 ， 我稍微改变一下 ， 这样我会给你一个更好的答案 。 然后 ， 如果这个单元也错了 ， 它责怪上面的那层单元 ， 告诉它：你犯了一个错误 。 这层单元会说：哦 ， 我犯了一个错误 ， 所以如果我有不同的权重 ， 我可以做得更好；我会稍微改变一下权重 。 如此反复进行 。


文章图片
图26/27

这是一个非常非常简单的想法 ， 叫作反向传播 。 这是一种系统地从错误中学习以提高权重的方法 ， 这样它们会给出越来越多的正确答案和越来越少的错误答案 。 这已经实现了 ， 被称为深度学习 。 这带来的成功可以说令人印象深刻 。 深度学习神经网络已经非常擅长在图像、人脸或猫领域进行识别 ， 而且还精通曾经被认为是人类智力顶峰的事情 ， 比如：国际象棋 ， 围棋 ， 高等级的星际争霸游戏 。
举一个象棋的例子 ， 它令我印象深刻 ， 可能是因为我对象棋的了解比对围棋或星际争霸要多一些 。 象棋已被人类深入研究了几个世纪 ， 关于它的文字资料非常丰富 。 有的人类棋手终其一生都在精进棋艺 ， 并且认为对象棋的理解已经相当透彻了 。 将国际象棋的规则输入神经网络 ， 通过与自己对局 ， 在几天内 ， 甚至几个小时内 ， 通过使用深度学习策略 ， 神经网络的棋艺就可以赶超任何人类玩家 ， 同样也比人类通过编程而设计出的经典计算机棋手要好得多 。 这难免令人类汗颜 ， 我们创造的事物竟可以在某些方面完成我们认为是智力顶峰的任务 ， 并且做得更好 。 如果你认为棋类等游戏不是很重要 ， 神经网络在其他一些问题上比任何程序或人类也表现得更好 ， 比如确定一个DNA密码的化学结构和它的形成机理及形状 。