深度学习与人脑模拟.pdf

第 12 卷  第2 期  2016 年 2 月 深度学习与人脑模拟 万　赟 关键词 ： 深度学习　类脑计算 美国休斯敦大学 最近几年，计算机和电子商务领域最激动人心 像的处理方式发现，一些神经元对不同光强度或者 的发展，莫过于通过人工智能技术实现了在声音识 不同角度的斜线有反应，另一些神经元对光感和简 别、图像识别、无人驾驶、医学诊断、自然语言翻 单斜线没有反应，但是对物体移动具有敏感性，即 译等领域的突破。机器识别中的神经网络深度学习 便物体的边界发生形变也不影响其激发。休伯尔和 方法成为学术界和工业界关注的热点。在这一技术 威瑟尔将前一类神经元称为简单细胞，后一类称为 的发展推动下，研究人脑的认知和模拟人脑成为美 复杂细胞。 1 国政府支持的研究对象 。 休伯尔和威瑟尔的这一发现以及后来的研究给 从事神经网络研究的计算机专家提供了重要的建模 早期发展 思路，比如视神经元对信息处理的分工是分层进行 的，不同神经元关注的对象特征不同，每一层神经 模拟人脑神经元的神经网络理论模型最早出现 元抽象出对象的部分特征进行处理，所有信息经过 在20 世纪40 年代。第一个把神经网络原理成功应 逐层激发，在中枢最高层激发出对整个对象产生认 用到图像识别的是康奈尔大学的心理学教授罗森布 知的 “祖母神经元”。 拉特。他在1957 年制作的电子感知机因为能读入并 20 世纪80 年代神经网络技术得到进一步发展， 识别简单的字母和图像而在当时引起轰动，引发了 以前只具有输入层和输出层的单层网络结构中添加 业界的诸多联想，使得很多专家预测在几年后计算 了中间的隐层。这一变化使得神经网络可以解决更 机将具备思考功能。但是早期单层神经网络无法实 加复杂的分类问题。但层数的增加为各个层的神经 现异或逻辑，再加上计算机运算能力的局限性，使 节点之间连接的权重选取带来了困难。反向传播算 得这一方向不久就停滞不前而让工业界和学术界失 法(back propagation) 的出现在一定程度上解决了权 去了兴趣。 重选取问题。另外，计算机运算能力的提高使得多 感知机流行时，霍普金斯大学的住院医师戴 层神经网络的计算成为可能。在此基础上，人工智 · · 维 休伯尔(David Hubel) 与托斯坦 威瑟尔(Tosten 能领域的一个分支——连接主义开始流行。通过分 Wiesel) 结识并成为学术搭档，开始了长达20 多年 布式计算为多层神经网络提供架构支持成为的新研 的研究，他们也因此获得了诺贝尔奖。1959 年，他 究方向。但是由于工业界在专家系统上过度投资导 们通过观察猫的脑部视觉中枢对由视网膜进入的图 致泡沫产生，加上反向传播算法在处理深度多层神 1 20 13年奥巴马政府启动的 “人脑计划”就是试图通过国立卫生研究院和国家科学基金会与民间研究机构联合起 来，对人脑的认知机制进行跨学科的突破性研究。 55 专栏