格格党

手机浏览器扫描二维码访问

四人工智能的浴火重生（第2页）

明斯基作为一个人工智能界的领袖人物，他说神经网络不行，大家都觉得神经网络不行了。

神经网络技术迅速陷入低谷，这个时期被称为“AIwinter”

，即“人工智能的寒冬”

。

人工智能这一下，就冬眠了将近10年。

但是，总有那么几个不信邪的人，继续努力着研究神经网络。

直到1986年斯坦福大学教授鲁梅哈特（Rumelhart）和多伦多大学教授辛顿（Hinton）等人提出了反向传播（Backpropagation，BP）算法，终于解决了两层神经网络所需要的计算量的问题，引领了业界两层神经网络研究的热潮。

这时有人要说了：“明斯基这么厉害的大神，也会有预言错误的时候吗？看来他对于人工智能是有功也有过。”

但是我们要说，无论明斯基有没有发现单层神经网络的弊病，这一弊病都存在。

而正是因为明斯基发现了单层神经网络的弊病，神经网络才能向多层发展。

所以，明斯基的这种“过”

，也是带着“功”

的。

不久，这种反向传播算法又出现问题了。

训练一次神经网络的耗时太长，而且要对神经网络进行进一步优化又太困难。

再加上20世纪90年代初，政府对人工智能的投入减少了，这无疑是雪上加霜。

俗话说，原地踏步就等于退步，本来神经网络就已经遇到了麻烦，又半路杀出个程咬金——20世纪90年代中期，伦敦大学教授万普尼克（Vapnik）等人发明了新的支持向量机（SupportVeaes，SVM）算法，没有对比就没有伤害，SVM算法处处体现着它的优势，神经网络似乎败下阵来。

和上次一样，还是有一些学者在对神经网络做着不懈的研究。

我们刚才提到1997年，IBM的深蓝计算机战胜了国际象棋冠军。

到了2006年，辛顿（Hinton）在论文中首次提出了“深度信念网络”

的概念。

“深度信念网络”

创新地采用了“预训练”

（pre-training）的过程，可以大幅减少训练多层神经网络的时间。

他把多层神经网络的学习方法命名为“深度学习”

（这个名词听起来就像期末考试前，学生们的状态）。

“深度学习”

接二连三地在各个领域崭露头角：先是应用于语音识别领域，接着又于2012年应用于图像识别领域。

辛顿与他的学生在Image竞赛中，用多层的卷积神经网络成功地训练了包含一千类别的一百万张图片，获得了分类错误率15％的优异成绩，这个成绩远远超过了第二名，充分证明了多层神经网络识别效果的优越性。

2016年围棋人机大战：李世石Vs谷歌AlphaGo

在这之后，关于深度神经网络的研究与应用不断涌现。

目前，深度神经网络在人工智能界依然占据着统治地位。

我们之前说，“Snarc”

的兄弟AlphaGo，也正是神经网络的“获益者”

。

2016年击败李世石的是AlphaGoLee，2017年击败柯洁的是升级版的AlphaGoMaster。