人工智能机器学习底层原理剖析,人造神经元
按照固有思维方式，人们总以为人工智能是一个莫测高深的行业，这个行业的人都是高智商人群，无论是写文章还是和人讲话，总是讳莫如深，接着就是蹦出一些“高级”词汇，什么“神经网络”，什么“卷积神经”之类，教人半懂不懂的。尤其ChatGPT的风靡一时，更加“神话”了这个行业，用鲁迅先生形容诸葛武侯的话来讲：“多智而近妖”。
事实上，根据二八定理，和别的行业一样，人工智能行业内真正顶尖的天才也就是20%，他们具备真正的行业颠覆能力，可以搞出像ChatGPT这种“工业革命”级别的产品，而剩下的80%也不过就是普通人，每天的工作和我们这些人一样，枯燥且乏味，而之所以会出现类似“行业壁垒”的现象，是因为这个行业的“黑话”太多了，导致一般人听不懂，所谓“黑话”可以理解为行业术语，搞清楚了这些所谓的行业术语，你会发现，所谓的“人工智能”，不过也就是个“套路活儿”。
本次我们试图使用“白话文”来描摹人工智能机器学习的底层逻辑，并且通过Golang1.18来实现人造神经元的原理。
人造神经元Neural现在业内比较流行的，比如Transformer模型、GPT模型、深度学习、强化学习、卷积神经网络等等，无论听起来多么高端大气上档次，说出大天去，它也是神经网络架构，换句话说它们的底层都一样，类比的话，就像汽车行业，无论是汽油驱动还是电驱动、三缸发动机还是六缸发动机、单电机还是双电机，混合动力还是插混动力，无论汽车主机厂怎么吹牛逼，无论车评人怎么疯狂恰饭，厂商造出来的车最终还是一个最基本的汽车架构，说白了就是一个底盘四个轮儿，你再牛逼，你也逃不出这个基本架构。
所以说，机器学习的基本架构是神经网络架构，神经网络由大量的人工神经元组成，它们联结之后就可以进行所谓的“机器学习”。所以，必须搞清楚什么是神经元，才能弄懂神经网络。
神经元是神经网络架构中最微小的单位，也是最小的可训练单位，一个基本的神经元结构是下面这样的：
毋庸讳言，大多数人看见这个基本上都会瞬间放弃，数学公式简直就是开发界的洪水猛兽，其劝退能力堪比艾尔登法环中的大树守卫，我们的机器学习之旅还没开始，就已经结束了。
那么我们把这个玩意儿翻译成大多数人能看懂的样子：f(sum(x*w)+b)
x代表输入的数据，w代表权重，sum代表求和，b代表偏差，f代表激活函数，最后这个公式运行的结果，就是机器学习的结果。
简单往里头套点数据，比如我希望机器学习的结果是10，那么，x、w、和b分别应该是什么才能让结果变为10呢？如果x=2w=4b=2就是我们想要的结果。这也就是最基本的线性回归，我们只处理一个维度的数据，因为结果已经显而易见了，我们已经不需要机器学习了，因为靠猜也能猜出来结果是什么。
但是生产环境中，x并非是单维度，而是多维度的，比如x1、x2、x3.....组成的矩阵，但无论是多维度还是单维度，计算公式用的还是一样的，每一个x对应一个权重w，所以是xn*wn。
说白了，x就是一个多维特征，类比的话，假如我们想让电脑智能识图，比如识别一只猫，那么x就是猫的特征，比如形态、颜色、眼睛、叫声等等，作为多维度的输入特征x，喂给电脑，让电脑给出识别结果，这就是简单的机器学习处理分类问题。
这里需要注意的是，x作为特征参数，并不是越多越好，而是特征越明显越好，举个例子，你想让AI去识别鲁迅的文章，那提供的特征最好应该具备鲁迅文章的特点，而不是全量输入，因为鲁迅就算再“鲁迅”，他写的文字也会和别人重复，也就是说并不是每句话都是他独有的，如果把他所有的文章都喂给电脑，可能就会产生“噪声”，影响机器学习的结果。
另外应该知道的是，x参数特征并不是我们认为的单词或者汉字，而是一串单精度区间在0-1之间的浮点数字，也就是所谓的“向量”，因为只有数字才能套着神经元公式进行计算。
所以所有的文本特征在进行神经元计算之前，必须通过一些方法进行“向量化”操作。说白了就是把汉字转化为数字，就这么简单。
另外这也就证明了，电脑真的没有思想，它不理解什么是猫，或者谁是鲁迅，它就是在进行计算，而已。
随后是w，w指的是权重，权重是指神经元接收到的输入值的重要性，这些输入值通过乘以对应的权重，被加权求和作为神经元的输入。权重值越大，表示该输入在神经元的输出中所占的比重越大。说白了，猫的所有特征的权重并不是统一的，比如黑夜里突然一个东西跳了出来，你怎么判断它是什么物种？很明显，一声“喵呜”我们就可以立刻断定这是一只猫，所以叫声特征的权重一定大于其他特征的权重。
最后是b，也就是偏差(bias)，偏差通常是一个实数，与神经元的权重一样，也是通过训练神经网络而调整的参数。偏差的作用是在神经元的输入上增加一个常量，以调整神经元的激活阈值。如果没有偏差，那么神经元的激活函数将仅仅取决于加权和的值，而无法产生任何偏移。
说白了，b就是让x*w的值更活一点，让它不是“死”的数。
最后说说f也就是激活函数，激活函数通常具有非线性的特性，这使得神经网络能够拟合非线性的复杂函数，从而提高其性能和准确度。
说白了，如果没有激活函数，我们的权重计算就是“线性”的，什么叫线性？如果把x特征从1开始输入，一直到100，然后将计算结果绘制成图：
我们会发现计算结果是一根直线，这显然不符合客观规律，更符合生物特征的形态应该是“曲线”，所以说白了，激活函数f的作用就是把“直线”变成“曲线”。
最后，我们把神经元公式改造成方便我们理解的形式：期望结果=激活函数(求和(特征*权重)+偏差)。
如果用代码实现这个公式：
funcneuron(inputs[]float64,weights[]float64,biasfloat64)float64{iflen(inputs)!=len(weights){panic("inputsandweightsmusthavethesamelength")}sum:=biasfori:=0;i=0;i--{layer:=network.layers[i]errors:=make([]float64,len(layer.neurons))//3.1.计算神经元的误差值ifi==len(network.layers)-1{//输出层的误差forj:=rangelayer.neurons{errors[j]=outputErrors[j]*sigmoidPrime(layer.neurons[j].output)}}else{//隐藏层的误差forj:=rangelayer.neurons{errorSum:=0.0nextLayer:=network.layers[i+1]fork:=rangenextLayer.neurons{errorSum+=nextLayer.neurons[k].weights[j]*nextLayer.neurons[k].error}errors[j]=errorSum*sigmoidPrime(layer.neurons[j].output)}}//3.2.将误差值保存到神经元中forj:=rangelayer.neurons{layer.neurons[j].error=errors[j]}}//4.更新神经网络的权重和偏置fori:=rangenetwork.layers{layer:=network.layers[i]//4.1.更新权重forj:=rangelayer.neurons{fork:=rangelayer.neurons[j].weights{ifi==0{//输入层的权重layer.neurons[j].weights[k]-=learningRate*layer.neurons[j].error*inputs[k]}else{//隐藏层和输出层的权重prevLayer:=network.layers[i-1]layer.neurons[j].weights[k]-=learningRate*layer.neurons[j].error*prevLayer.neurons[k].output}}//4.2.更新偏置layer.neurons[j].bias-=learningRate*layer.neurons[j].error}}}这个函数接收输入数据inputs、目标数据targets、神经网络network以及学习率learningRate作为参数。它首先调用feedforward函数进行前向传播，计算每个神经元的输出值。然后，它计算输出层的误差，通过误差反向传播，计算每个神经元的误差值，并将其保存到神经元中。
接下来，函数根据误差值和学习率更新神经网络的权重和偏置。在更新权重时，需要根据神经元所在的层来选择更新的权重类型（输入层、隐藏层或输出层），然后根据误差值和输入数据或上一层神经元的输出值来更新权重。在更新偏置时，只需要根据误差值和学习率来更新即可。
总的来说，这个函数实现了反向传播的所有步骤，可以用于训练神经网络并提高其准确度和性能。
人工智能机器学习底层原理剖析,人造神经元,您一定能看懂,通俗解释把AI“黑话”转化为“白话文”
按照固有思维方式，人们总以为人工智能是一个莫测高深的行业，这个行业的人都是高智商人群，无论是写文章还是和人讲话，总是讳莫如深，接着就是蹦出一些“高级”词汇，什么“神经网络”，什么“卷积神经”之类，教人半懂不懂的。尤其ChatGPT的风靡一时，更加“神话”了这个行业，用鲁迅先生形容诸葛武侯的话来讲：“多智而近妖”。
事实上，根据二八定理，和别的行业一样，人工智能行业内真正顶尖的天才也就是20%，他们具备真正的行业颠覆能力，可以搞出像ChatGPT这种“工业革命”级别的产品，而剩下的80%也不过就是普通人，每天的工作和我们这些人一样，枯燥且乏味，而之所以会出现类似“行业壁垒”的现象，是因为这个行业的“黑话”太多了，导致一般人听不懂，所谓“黑话”可以理解为行业术语，搞清楚了这些所谓的行业术语，你会发现，所谓的“人工智能”，不过也就是个“套路活儿”。详情获取：更多资讯
本次我们试图使用“白话文”来描摹人工智能机器学习的底层逻辑，并且通过Golang1.18来实现人造神经元的原理。
人造神经元Neural现在业内比较流行的，比如Transformer模型、GPT模型、深度学习、强化学习、卷积神经网络等等，无论听起来多么高端大气上档次，说出大天去，它也是神经网络架构，换句话说它们的底层都一样，类比的话，就像汽车行业，无论是汽油驱动还是电驱动、三缸发动机还是六缸发动机、单电机还是双电机，混合动力还是插混动力，无论汽车主机厂怎么吹牛逼，无论车评人怎么疯狂恰饭，厂商造出来的车最终还是一个最基本的汽车架构，说白了就是一个底盘四个轮儿，你再牛逼，你也逃不出这个基本架构。
所以说，机器学习的基本架构是神经网络架构，神经网络由大量的人工神经元组成，它们联结之后就可以进行所谓的“机器学习”。所以，必须搞清楚什么是神经元，才能弄懂神经网络。
神经元是神经网络架构中最微小的单位，也是最小的可训练单位，一个基本的神经元结构是下面这样的：
毋庸讳言，大多数人看见这个基本上都会瞬间放弃，数学公式简直就是开发界的洪水猛兽，其劝退能力堪比艾尔登法环中的大树守卫，我们的机器学习之旅还没开始，就已经结束了。
那么我们把这个玩意儿翻译成大多数人能看懂的样子：f(sum(x*w)+b)
x代表输入的数据，w代表权重，sum代表求和，b代表偏差，f代表激活函数，最后这个公式运行的结果，就是机器学习的结果。
简单往里头套点数据，比如我希望机器学习的结果是10，那么，x、w、和b分别应该是什么才能让结果变为10呢？如果x=2w=4b=2就是我们想要的结果。这也就是最基本的线性回归，我们只处理一个维度的数据，因为结果已经显而易见了，我们已经不需要机器学习了，因为靠猜也能猜出来结果是什么。
但是生产环境中，x并非是单维度，而是多维度的，比如x1、x2、x3.....组成的矩阵，但无论是多维度还是单维度，计算公式用的还是一样的，每一个x对应一个权重w，所以是xn*wn。
说白了，x就是一个多维特征，类比的话，假如我们想让电脑智能识图，比如识别一只猫，那么x就是猫的特征，比如形态、颜色、眼睛、叫声等等，作为多维度的输入特征x，喂给电脑，让电脑给出识别结果，这就是简单的机器学习处理分类问题。
这里需要注意的是，x作为特征参数，并不是越多越好，而是特征越明显越好，举个例子，你想让AI去识别鲁迅的文章，那提供的特征最好应该具备鲁迅文章的特点，而不是全量输入，因为鲁迅就算再“鲁迅”，他写的文字也会和别人重复，也就是说并不是每句话都是他独有的，如果把他所有的文章都喂给电脑，可能就会产生“噪声”，影响机器学习的结果。
另外应该知道的是，x参数特征并不是我们认为的单词或者汉字，而是一串单精度区间在0-1之间的浮点数字，也就是所谓的“向量”，因为只有数字才能套着神经元公式进行计算。
所以所有的文本特征在进行神经元计算之前，必须通过一些方法进行“向量化”操作。说白了就是把汉字转化为数字，就这么简单。
另外这也就证明了，电脑真的没有思想，它不理解什么是猫，或者谁是鲁迅，它就是在进行计算，而已。
随后是w，w指的是权重，权重是指神经元接收到的输入值的重要性，这些输入值通过乘以对应的权重，被加权求和作为神经元的输入。权重值越大，表示该输入在神经元的输出中所占的比重越大。说白了，猫的所有特征的权重并不是统一的，比如黑夜里突然一个东西跳了出来，你怎么判断它是什么物种？很明显，一声“喵呜”我们就可以立刻断定这是一只猫，所以叫声特征的权重一定大于其他特征的权重。
最后是b，也就是偏差(bias)，偏差通常是一个实数，与神经元的权重一样，也是通过训练神经网络而调整的参数。偏差的作用是在神经元的输入上增加一个常量，以调整神经元的激活阈值。如果没有偏差，那么神经元的激活函数将仅仅取决于加权和的值，而无法产生任何偏移。
说白了，b就是让x*w的值更活一点，让它不是“死”的数。
最后说说f也就是激活函数，激活函数通常具有非线性的特性，这使得神经网络能够拟合非线性的复杂函数，从而提高其性能和准确度。
说白了，如果没有激活函数，我们的权重计算就是“线性”的，什么叫线性？如果把x特征从1开始输入，一直到100，然后将计算结果绘制成图：
我们会发现计算结果是一根直线，这显然不符合客观规律，更符合生物特征的形态应该是“曲线”，所以说白了，激活函数f的作用就是把“直线”变成“曲线”。
最后，我们把神经元公式改造成方便我们理解的形式：期望结果=激活函数(求和(特征*权重)+偏差)。
如果用代码实现这个公式：
funcneuron(inputs[]float64,weights[]float64,biasfloat64)float64{iflen(inputs)!=len(weights){panic("inputsandweightsmusthavethesamelength")}sum:=biasfori:=0;i=0;i--{layer:=network.layers[i]errors:=make([]float64,len(layer.neurons))//3.1.计算神经元的误差值ifi==len(network.layers)-1{//输出层的误差forj:=rangelayer.neurons{errors[j]=outputErrors[j]*sigmoidPrime(layer.neurons[j].output)}}else{//隐藏层的误差forj:=rangelayer.neurons{errorSum:=0.0nextLayer:=network.layers[i+1]fork:=rangenextLayer.neurons{errorSum+=nextLayer.neurons[k].weights[j]*nextLayer.neurons[k].error}errors[j]=errorSum*sigmoidPrime(layer.neurons[j].output)}}//3.2.将误差值保存到神经元中forj:=rangelayer.neurons{layer.neurons[j].error=errors[j]}}//4.更新神经网络的权重和偏置fori:=rangenetwork.layers{layer:=network.layers[i]//4.1.更新权重forj:=rangelayer.neurons{fork:=rangelayer.neurons[j].weights{ifi==0{//输入层的权重layer.neurons[j].weights[k]-=learningRate*layer.neurons[j].error*inputs[k]}else{//隐藏层和输出层的权重prevLayer:=network.layers[i-1]layer.neurons[j].weights[k]-=learningRate*layer.neurons[j].error*prevLayer.neurons[k].output}}//4.2.更新偏置layer.neurons[j].bias-=learningRate*layer.neurons[j].error}}}这个函数接收输入数据inputs、目标数据targets、神经网络network以及学习率learningRate作为参数。它首先调用feedforward函数进行前向传播，计算每个神经元的输出值。然后，它计算输出层的误差，通过误差反向传播，计算每个神经元的误差值，并将其保存到神经元中。
接下来，函数根据误差值和学习率更新神经网络的权重和偏置。在更新权重时，需要根据神经元所在的层来选择更新的权重类型（输入层、隐藏层或输出层），然后根据误差值和输入数据或上一层神经元的输出值来更新权重。在更新偏置时，只需要根据误差值和学习率来更新即可。
总的来说，这个函数实现了反向传播的所有步骤，可以用于训练神经网络并提高其准确度和性能。
结语大道不过三俩句，说破不值半文钱，所谓人工智能机器学习就这么回事，没必要神话，也无须贬低，类比的话，就像餐饮行业的厨师岗，所谓做菜，底层原理是什么？就是食材和火候，掌握了做菜的底层原理，就能做出好菜，其他的，比如刀工、颜色等等，不过就是锦上添花的东西，而已。
所以机器学习就是做菜，做出来的东西可能不尽如人意，就得不停地调整食材的搭配和火候的大小，所谓机器学习的最重要技巧，其实是特征的提取以及参数的调整，所谓大道至简，殊途同归。
文章转载自：刘悦的技术博客
原文链接：https://www.cnblogs.com/v3ucn/p/17260260.html
人工智能，真的不在乎人类的阻拦
前不久，包括OpenAI首席执行官萨姆·奥尔特曼、谷歌DeepMind首席执行官杰米斯·哈萨比斯，以及Anthropic首席执行官达里奥·阿莫代伊等350名AI从业者，公开签署公开信警惕人工智能等风险，向全世界警告AI对人类文明的巨大潜在威胁。
01
孤独的人类
但是，恐惧往往夸大了风险，AI是真的危险，还是我们想象中的危险？与其纠结于这个短期内既无法证实，也无法证伪的问题，倒不如来聊聊为什么人们害怕它，却又在不遗余力地在发展它呢？
最近有两个新闻让笔者感到吃惊：“女孩与ChatGPT男友坠入爱河”、“人工智能开始做心理咨询师”。人工智能在面世之初，就在知识储备、逻辑思维等方面打败了人类，情感处理能力被认为是人类面对机器最后的堡垒，但没想到堡垒的沦陷如此之快和彻底！
目前AI的情绪识别能力，已经达到甚至部分超越了人类的水平
以一款人工智能聊天应用Replika为例，许多的用户在与聊天机器人互动后，都表示许多时候根本分不清网络对面的，到底是人类还是AI？甚至有许多人在与AI的聊天过程中坠入爱河，寻找到了那久违的恋爱感觉。
Replika是一款虚拟聊天机器人伴侣，你可以把它当做你的男女朋友一样来谈恋爱。它通过人工智能技术为用户提供情感支持、心理健康辅导、聊天互动等服务。你聊天的次数越多，Replika就越能与你一起发展自己的个性和记忆，它学到的东西就越多。
人工智能，被开发出这种近乎于以假乱真的情感识别能力，是一件注定会发生的事情。想要解释其原因，首先要追溯到公元前5世纪，古希腊人文主义精神的诞生。随着文艺复兴结束了漫长的黑暗中世纪，“以人为本”的人文主义思潮，伴随着近现代欧洲的富强，被传播到了世界各地。如今这种思想已经成为了国际价值观的主流，社会鼓励每一个普通人从小探索“自我”的感受。情绪的表达被尊重，不再是贵族们独有的权力，每个人都可以是世界的中心！
人文主义精神：主张一切以人为本，反对神的权威，把人从中世纪的神学枷锁下解放出来。宣扬个性解放，追求现实人生幸福；追求自由平等，反对等级观念；崇尚理性，反对蒙昧。
但现实无法让每个人都成为世界的中心，让你的每个表达都获得回应，每个情绪都被他人理解。这种无法被满足的需求，不能从社会制度层面解决，聪明的人类于是打起了技术的主意，人工智能则是其中最被寄予厚望的技术载体。
只要人类社会主流价值观，依然是以人文主义为主体，人类“自我渴求”的巨大情感需求，将促进AI在情感认知层面的能力越来越强。
02
AI的发展，像极了女性崛起
在目前AI的发展过程中，还有一个重要的细节，值得我们的关注。就像前面提到的，笔者对人工智能的发展方向并不感到意外，但对它可以在短时间内发展到如此的程度感到吃惊！这其中的一个原因，要归根于社会中女性力量的崛起。
回顾近现代史，女性地位的提升，与社会生产力进步导致的需求，形成了相辅相成的关系。比如从一夫多妻（或多妾），到一夫一妻制的诞生，来源于工业革命后，工厂主需要大量的劳动力，一夫一妻相比于旧有制度，在社会层面可以更大地释放人口增长。再往后，男性劳动力已经无法满足工厂主需求，资本家需要女性劳动力。为了获得这股巨量的劳力，就必须将妇女从家庭事物中解放出来，参与到社会经营中，女性的地位也进一步得到提升。
女性地位的提高，是“社会生产力发展”与“女性平权运动”共同推进的。如果仅仅有社会发展的宏观原因，而无历代女性运动的反抗，最终女性的地位也会得到提升，但时间可能会晚几百年。前者决定了终点，后者决定了到达终点的时间。
之所以提起女性崛起的话题，正因为AI的发展路径与其是很相似的。
如同女性权益得到提高的每一个历史节点，都契合着社会生产力进步带来的新需求，人工智能的发展同样遵循着社会需求前行。女性消费的崛起，使得越来越多的商品围绕女性而设计展开，资本为这些商品倾注海量的社会资源，人工智能也毫不犹豫地依靠这个需求而迅猛成长。
从基因的角度来说，女性的情感更加细腻敏感。反应在AI领域则是情感识别能力模型的迅速成长，像聊天机器人就是最典型的体现。而是否拥有情感能力，则被许多人视为“生命—非生命体”的核心鉴别标准。人工智能到底是机器，还是生命？这将是未来AI要走过的最重要的门槛。
宏观经济学中的基础理论：需求决定供给
03
无法阻止的AI
当然，现在我们还聊不到这么遥远，说回当下AI发展。人工智能技术的进步，受到女性社会地位提高的影响，女性力量的崛起是社会生产力进步的结果。同样的，AI也是社会生产力发展必然会诞生的产物。
经过多年好莱坞电影的熏陶，人们印象中的AI崛起充满着可怕、恐惧、暴力、战争等的标签
因为人工智能技术并没有改变人类本身，而是技术的发展让我们曾经隐藏的需求得到了宣泄。
就像人工智能聊天应用Replika，它可以通过每个用户的“调教”，诞生一个针对用户个人独一无二的“倾听者”。这是在之前人类历史上无法想象的特权。人类属于群居动物，每个人都有着强烈的倾诉需求，但即使贵为九五至尊的皇帝，也自称为“孤家寡人”。也就可以想象古人对人生得一二知己，是多么地难得与欣喜。
人类这个长期被无奈隐藏起来的需求，在AI技术发展中得到开发与宣泄。为此，即使人工智能的前景笼罩着再多未知的迷雾，可它带给人类的无限诱惑，是很难阻止整个社会对它的渴求。
为什么机器人不能成为你的家人或朋友呢？
情感认知与自主思考，是人工智能需要突破的两道门槛。
如今AI在情感认知上的突破，已经远远超过了许多人的预期。按照这个速度，人类可能很快会迎来真正意义上的“人造生命”。与其在想办法阻止和限制AI的发展，人类社会更应该提前准备当这个“生命体”到来，我们是将它定义为类似鸡牛鹅这类牲畜的“财产生命”，还是像类似猫狗宠物一样的“陪伴生命”，甚至于更近一步，给予它接近于“次等人类”的法律与政治权力？
拥有情感认知和自主识别能力后，硅基生命是否会在地球上诞生？
或许真的有一天，人类与人工智能将真正的平起平坐，甚至于像一些赛伯朋克作品中描绘的：人类与人工智能形成了融合，人类使用机械身体，人工智能则拥有完全与人类匹配的情感与思维能力。有许多人对于这样的画面产生恐惧，但这种恐惧很可能随着一点一滴的技术推进而消失，如同神话中的忒修斯之船。至于文明的未来，人类身为碳基生物，作为文明的载体有着太多的限制，反观AI则没有这些困扰，它们是比我们更合适的继承者，历史前进的车轮会因为反对而迟缓，但不会因此而停滞向前。
编辑
忒修斯之船：公元1世纪的时候普鲁塔克提出一个问题：如果忒修斯的船上的木头被逐渐替换，直到所有的木头都不是原来的木头，那这艘船还是原来的那艘船吗？
可能人类迟早要转变一个观念：地球文明的起点是人类，终点为什么不能是人工智能呢？
文末互动：
你是人工智能的“降临派”还是“拯救派”？
评论区留言告诉我们哦～返回搜狐，查看更多