人工智能的原型：用计算机模拟人类大脑
视网膜接受信息后，通过低级的V1区提取边缘特征，再到更高级的分类判断
而深度学习，恰恰就是通过组合低层特征形成更加抽象的高层特征。在计算机视觉领域，深度学习算法从原始图像去学习得到一个低层次表达，然后在此基础上来得到高层次表达。深度学习可以模拟人脑进行分析学习，模仿人脑的机制来解释数据。深度学习的主要优势在于可以利用海量训练数据（大数据），自动从大数据中学习特征。
深度学习与传统神经网络之间有相同的地方，采用了与神经网络相似的分层结构：系统是一个包括输入层、隐层、输出层的多层网络。这种分层结构，比较接近人类大脑的结构。
含有多个隐层的深度学习模型
2012年6月，Google启动了GoogleBrain项目，用16000个CPUCore的并行计算平台去训练含有10亿个节点的深度神经网络，使其能够自我训练，对2万个不同物体的1400万张图片进行辨识。项目负责人之一、大规模计算机系统顶尖专家JeffDean说：“我们在训练的时候不会告诉机器：‘这是一只猫’。系统其实是自己发明或领悟了‘猫’的概念。”
2014年3月，基于深度学习的方法，Facebook的DeepFace项目使得人脸识别技术的识别率已经达到了97.25%。该项目利用了9层的神经网络来获得脸部特征，神经网络处理的参数高达1.2亿个。在2015年的ImageNet物体识别挑战赛上，微软亚洲研究院的深度学习方法更是破纪录地利用了152层深度神经网络。2016年3月，Google旗下英国公司DeepMind开发的具有自我学习能力的AlphaGo计算机程序，在与世界顶尖棋手李世石的对决中以4:1取得完胜，成为人工智能发展史上的一个里程碑事件。
深度学习能够自动地从海量大数据中去学习特征，极大地推进了智能自动化。因此深度学习有了一个别名：无监督特征学习（UnsupervisedFeatureLearning）。因此，人工智能的学习方法和传统的IT很不一样。传统的IT很简单，相当于买一台电脑拿回家使用就好。而现在人工智能的原理不是传统的IT原理，使用人工智能相当于教孩子画画。过去教孩子画画，过去的孩子学画画，怎么构图，怎么着色，都是规定很清楚的，照着学习就行了。但是现在不同了，我们不需要教孩子每一笔怎么画，只需要在孩子完成每一幅画之后，告诉他画得好还是不好。经过一段时间的成长，孩子就能成为世界级的大画家。
这符合著名的科学哲学家托马斯·库恩的理论。在《科学革命的结构》一书中，库恩介绍说，很多科学革命都具备叫做范式转移的特点，也就是说对新思想的认知和老思想很不一样。比如哥白尼提出的“日心说”，有力地打破了长期以来居于宗教统治地位的“地心说”，实现了天文学的根本变革。人工智能也是一样，过去人们对于人工智能的理解就是模仿式的，永远做不到人类一样好。而新的人工智能是培养式的，从教机器做事变成机器做事，我们找专家来进行评判。
▼
（点击图片即可获取全文）返回搜狐，查看更多