未来人工智能自主学习网络的构建

2019-12-02欧阳毓珩

电子技术与软件工程 2019年6期

文/欧阳毓珩

人工智能可以说是现代科技革命的中非常重要的一部分，也是现代产业革命的必须要重视的地方，因为人工智能在提高生产效率、方便人们生活等诸多方面有着非常重要的作用，所以，国家必须要重视人工智能技术的发展和应用。虽然，人工智能技术的发展时间较长，但在构建自主学习网络方面还存在着许多的问题，在未来自主学习网络人工智能化的过程中必须要树立信心，要有足够的勇气和决心，才能推动自主学习网络的进一步提高和发展。

1 传统人工智能深度学习方式的困局

1957年，弗兰克罗森布拉特提出了感知器理论，这是最早运用计算机技术模仿人类神经网络的理论。虽然只是运用一些基本的组件进行搭建，但无疑是人类迈向人工智能化的一个好的开始。弗兰克的感知器理论所搭建的神经网络的神经元层次比较的少，只包括两个层次的神经元，即输出层、输入层，不能有效的增加神经层，缺乏实际有效的神经网络训练方法，早期的人工智能很难在解决实际问题时发挥有效的作用。神经网络教父杰弗里欣顿通过将bp 的误差反向算法与最优化方法结合在一起用来训练人工智能，虽然，这样做解决了神经网络训练的问题，但是bp 算法也是有非常多局限性的，它的学习速度不快，甚至说是比较缓慢的，而且学习过程中神经网络状态也不是很稳定，容错率也不高。在bp 的基础上的径向基网络就出现了，与以前的搭建的神经网络相比，径向基网络的神经元层次比bp 的更多。径向基网络具有局部映射的特性，所以，神经元与神经元之间基本上相互独立，神经元的职能性也更强。但是径向基网络的缺陷在于只能去执行计算机网络的命令，并不能对命令进行解释，因而它在只是个计算机网络命令的执行者。强化学习和深度学习需要消耗大量的数据，深度学习主要依靠的是搜索、价值网络、策略网络三者相结合的计算机网络组合形式，高频率的计算次数，庞大的数据量使强化学习能够被有效的实现出来。

2 未来人工智能神经网络的构建方向

我们应如何实现自主学习智能化呢？如何让机器代替人工完成自主学习这件事情呢？人工智能的发展好像百炼成钢，经过数十年的不断发展，我们拥有了今天的成绩。人工智能自主学习网络的搭建过程中的强化学习、深度学习就像是从铁矿石中提取高纯度的铁，再通过高温淬炼成钢，想要获得高精度的钢必须要大量的铁矿石，这些大量的铁矿石就是深度学习和强化学习过程中需要的大量数据。深度学习和强化学习是基于对大量的数据进行分析的基础上总结出的经验，它可以高效率的进行工作，但是它的创新能力不够强。就目前的深度学习发展状况来说，人工智能智能做到对人脑神经网络浅层次的行为进行模仿，还需要未来坚持不懈的向人脑的更深一层次进行发展。不过，现在在自主学习人工智能化方面，在图像处理、人工语音等方面的深度学习更加具有先进性，甚至这些领域已经在世界人工智能科技方面占据了一席之地。

这些技术领域的进步跟我们所知道的人工智能自主学习网络不太相符合，杰弗里欣顿最新的研究理论表明（Capsule 理论，英文是容器的意思，也称它为胶囊），这个理论比早期的人工智能化神经网络的理论更为成熟，这一理论的出现更是推翻了杰弗里欣顿教授自己过去三十年的研究成果，给与了人工智能更多发展的可能性，他表示Capsule 是其活动向量所表示的是特定实体类型的实例化参数的一组神经元，用这样神经元组建的网络系统（即rcn，递归皮质网络），可以说它是当前最先进的手写识别性能，在识别高度重叠的数字方面，该网络要比现在最先进的cnn 技术效果要好的多。rcn 在小样本识别、单样本识别等多个任务中，取得的成果非常的喜人，它实现进一步的与系统神经学科理论相结合，rcn 把利用系统神经科中的视皮层中侧连接理论将物体转化成了边缘和面的组合，从理论上说，这进

一步取得了组成模型方面的进步。除此之外，rcn 能够实现中低层语义与高层语义的有效对接，将图形化的中低层语义单元通过侧向连接的方式传递给高层的语义，从而实现物体边缘轮廓间的语义共享，从而进一步提高了算法的效率，这样就解决了神经网络只能执行命令而不能解释命令的问题，进一步发展了人工智能自主学习深度化学习和强化学习，也增加了人工智能深度学习创新的可能性。Capsule 理论与rcn 的有机结合，不但可以为未来人工智能化发展提供更多的可能性，它将更进一步的对人类大脑的认知能力进行更进一步的模仿，更具有人的意识，而不只是大量数据基础上的经验总结。未来人工智能自主学习网络的构建应该遵循第一性原理，要立足于人类大脑思维活动的基础上，让自主学习网络未来发展的更加的智能化、人性化，从而实现人工智能的自主学习网络应用。