【新唐人北京時間2019年12月11日訊】這裡說的神經網絡系統可不是大腦的神經網絡系統，是計算機模擬大腦神經網絡發展的系統，是「人工智能」領域的技術之一，現在看來已經佔據較為主導的地位。這些系統能夠識人臉、看圖片、接收聲音指令、識別交通信號……還有更多正在開發的用途。到底什麼是神經網絡系統呢？這個行業的規模到底有多大？
科技藝術網（Ars Technica）近期刊登的一份連載詳細地介紹了神經網絡的原理和發展過程，並將其稱為「機器中的幽靈」。
上世紀50年代的雛形
1958年，康奈爾大學（Cornell University）的羅森布拉特（Frank Rosenblatt）在美國海軍支持下開發的一套名為「感知器」（perceptron）的系統，恐怕是神經網絡最早的雛形。那套系統可以從20X20大小的圖片上識別簡單的幾何形狀。
其實羅森布拉特不是想造一個識別圖像的系統，而是通過用電腦模擬大腦研究大腦的工作原理。結果他的成果引起了許多科學家的興趣。
《紐約時報》1958年7月的報導稱：「今天海軍展示了一個電子系統雛形，有望能走、能說、能看，能自我複製，並有自我意識。」
從最基礎層面來看，系統中的每個神經元就是一個數學函數，把輸入的信息加權計算後給出一個結果，對輸入信息施加的權重越大，輸入信息對輸出結果的影響越大。再把加權得到的結果送給非線性函數（即非簡單的正反比的關係，自然界中大部分系統的本質都是非線性的），讓神經網絡模擬各種複雜的非線性問題。
接下來很關鍵的環節就是對這種系統的訓練環節，也叫「深度學習」（deep learning）的過程，通過向系統餵送大量數據，不斷練習系統的「判斷」能力，實驗發現，這種系統真的能夠在一定程度不斷提升「辨識」結果的準確性。
突破性算法的出現
1986年一種名為「反向傳播」（backpropagation）算法的出現，讓神經網絡系統的效能出現了一次飛躍，不再受限一兩層，可以建造五層、十層甚至五十層的網絡，內部有著複雜的結構。
但是神經網絡真正的突破還需要一些其它條件的出現。直到2008年，當時介紹人工智能的教科書上，神經網絡還只是九種機器學習算法中的一種。
2012年，這些條件終於具足，包括強大的電腦處理器、先進的顯卡技術，以及訓練系統所需的大量數據資料的獲取方式——利用軟件從互聯網抓取一百萬張圖片的技術。
這些條件促成了基於神經網絡技術AlexNet系統的成功。該系統參加的自動識別圖片類別的競賽ImageNet，其出錯率獲得16%的好成績，當時最接近的對手出錯率為26%，而在2011年的冠軍出錯率為25%。
AlexNet系統具有八層可訓練的網絡，65萬個神經元和6000萬個參數。
深度學習的廣泛應用
正如上面提到的，2012年的時候，多數參加ImageNet競賽的系統用的都不是深度學習技術，AlexNet系統展示了深度學習技術強大的前景。
到了2013年，該競賽贊助方稱「多數參賽者」基於深度學習技術。競賽成績也在飛速提升，出錯率從2012年AlexNet的16%，將至2017年的2.3%。
也是從2013年，深度學習的應用面迅速在業界擴大。
2013年，谷歌（Google）收購了一家由AlexNet設計人員建立的初創公司，開發了谷歌的圖片搜索功能。2014年，臉書（Facebook）推出基於深度學習的臉部識別軟件。蘋果（Apple）公司的操作系統自2016年起使用的臉部識別技術也是基於深度學習。
深度學習技術還是這幾年語言識別技術的內核，如蘋果的Siri，亞馬遜的Alexa，微軟的Cortana，谷歌助手等。
很多公司還為深度學習應用軟件開發了專用的芯片硬件支持。2016年，谷歌發佈一款名為Tensor Processing Unit的神經網絡芯片。同年，Nvidia宣佈推出轉為神經網絡優化的硬件Tesla P100。英特爾（Intel）也不示弱，在2017年推出自己的人工智能專用芯片。2018年，亞馬遜也推出通過其雲服務使用的人工智能芯片。微軟據稱也在開發人工智能芯片。
現在很多手機都是把數據傳到服務器，讓強大的服務器執行人工智能運算。但是這有一定延遲，以及數據安全性的顧慮。手機廠商也在加緊開發讓手機支持神經網絡運算的芯片，讓手機客戶端也可以執行一定人工智能操作。
Tesla也加入了這場競爭。今年初，該公司推出了人工智能自動駕駛系統。
──轉自《大紀元》
（責任編輯：葉萍）
