深度學習算法，打開人工智能突破口
當前，深度學習是各類算法中最具代表性的一種。深度學習是一類特殊的機器學習算法，其概念源於人工神經網絡，目的是探索和模擬人的思維規律，仿照腦神經系統結構與信息處理機制，構建智能軟件系統。深度學習通過學習算例數據的內在規律和表示，使計算機能够像人一樣有分析能力，為人工智能質的飛躍打開突破口。從發展前景來看，以深度學習為重要基礎，人工智能將深刻影響人們的生活，甚至實現科幻電影中的人機交互場景。
把人類思維活動變成算法的奇妙過程，究竟是怎麼實現的？深度學習將人的思維過程概括為“接受數據”“總結規律”“形成判斷”三個環節，分別對應人工神經網絡結構中的輸入層、隱藏層和輸出層。就像人們看到紅燈就停下，綠燈亮了再過馬路一樣，在深度神經網絡中，輸入層接收到信號後，會經過處理將其傳遞給隱藏層進行分析和總結，最後由輸出層做出判斷。由於面對的問題往往比“紅燈停、綠燈行”更複雜，輸入層與輸出層之間有很多隱藏層，需要綜合分析判斷，而這正是深度學習的“深”之所在。“接受數據”“總結規律”“形成判斷”這樣的加工過程不可能一次完成，深度學習通過算例數據的反複輸入和輸出層的及時反饋，按照預測誤差極小化原則，不斷調整神經網絡的聯結參數，以最終實現對算例數據所含規律和內蘊結構的總結。
深度學習算法最為大衆所知的案例，就是圍棋“人機大戰”。深度學習算法戰勝圍棋高手的前提，是大量的“自我訓練”。從技術上說，其輸入信號包括人類圍棋頂尖高手的3000萬步圍棋走法。隱藏層達12個，每一層包含數百萬個人工神經元，用來建模棋盤及棋法。“決策網絡”負責走棋策略，“價值網絡”負責評估態勢并預測環境，最後由輸出層做出決策判斷。隱藏層利用經驗數據及自我對弈數據來訓練神經網絡，這一訓練的目的是確定神經元之間的連接權重（參數）。不少人會問：它怎麼找到每一步棋的最優解？答案是“經驗”。算法從經驗中學習，基於部分經驗數據提出一個初始特征，進而得出一個輸出結果。然後，利用其他經驗數據或自我對弈結果，校驗輸出結果，不斷調整完善，以找到更合適的參數。在這一過程中，計算機持續通過簡單的概念來學習、構建更複雜的概念，通過組合低層特征形成更加抽象的高層特征。與傳統的學習方法相比，深度學習預設了更多參數、對應模型更大，因此訓練難度更大，所需要的算例數據也更多。這也是深度學習依賴於大數據的緣由。所以，不少觀衆感嘆：“這盤棋的每一步，也許深度學習算法都已經練過許多次了！”
|
