前不久，據華爾街日報報道， Uber在一宗無人車的測試過程中，造成了一名行人死亡的嚴重交通事故，除此之外，環顧我們身邊，蘋果手機的虛擬個人助理Siri有時會無法識別我們在說什么；某些人臉識別支付應用也存在著一些安全問題。這些事件反映出來的一個情況是，目前的AI似乎并沒有足夠的智能，甚至并無法很好地處理從外界獲取的信息。

人腦中的神經網絡是一個非常復雜的組織，成人的大腦中約有1000億個神經元，人類至今仍在探索人腦的工作原理。而人們通過對生物神經元的研究和理解，構建了一個模擬人腦的計算模型：人工神經網絡！

那么，人工神經網絡是什么？人類通過構造神經網絡，能否給AI賦能，使之自我進化？

什么是神經網絡？

簡單來說，神經網絡是一種模擬人腦的計算架構；利用神經網絡進行機器學習，則讓計算機不再只是執行命令的機器，而是具有了一定程度上分析判斷的能力。當然，這個能力也離不開海量的數據和高超的計算能力。

一個經典的神經網絡一般包含三個層次：輸入層、隱藏層和輸出層。而這三個層分別模仿的是神經元的樹突、軸突和軸突末梢。輸入層接收外部的輸入數據，比如圖片、文本、語音等，通過，隱層抽象數據的通用模式，進而通過輸出層輸出模型的計算的結果。

歷史上，科學家還設計過多層的神經網絡，每一層都會對前一層傳來的結果進行再次加工，目的是模擬出一種“深思熟慮”的感覺，但最后發現結果準確度并沒有提高，有的時候還會陷入誤區，就像人容易朝著一個思路越陷越深，最后鉆牛角尖了一樣。隨著技術進步，讓這一問題得到改善。現在，最厲害的神經網絡技術不但已經非常接近人腦，還排除了很多人腦自身存在的低效的思維方式。

柯潔在與AlphaGo大戰后，在接受騰訊體育記者的采訪時表示，“我也不敢想象，它居然可以把棋下得那么強硬，撐得那么滿，好像好多塊棋扭在一起，那是人類擅長發揮的地方了。跟它下棋會發現它處理得好像比我們人類還好很多，其實那一刻是很絕望的。甚至是那些研發它的人也不知道是怎么做到這一點的，研發它的人是下不過它的，很多人甚至不懂棋，居然能創造出這么一個怪物。所以，我唯一能感受到的是它對形勢的樂觀和自信，而且是絕對的樂觀和自信，這一點人類是沒有的。再自信也不會像它那么自信，無論你驗證多少次，它都是不可戰勝的。”

神經網絡為何無法實現人類的推理并產生意識？

“機器人是否具有意識”一直是人們所爭論的焦點之一，而在這其中，人工神經網絡的技術發展起著重要的作用。對當前的人工神經網絡而言，解決某些特定場景的問題，特別具有優勢，但解決人們習以為常的問題卻非常困難。比如，MIT媒體實驗室研究員joy buolamwini研究文章稱，人臉識別技術針對不同種族的準確率差異巨大，其中針對黑人女性的錯誤率高達35%！

中國工程院院士鄭南寧指出，人工智能研究的一個重要方向，是借鑒認知科學、計算神經科學的研究成果，使計算機通過直覺推理和經驗學習，將自身引導到更高的層次。然而，人腦對真實世界的理解、非完整信息的處理、復雜時空的任務處理能力是當前機器學習無法比擬的，還有人的大腦神經網絡結構的可塑性，以及人腦在非認知因素和認知功能之間的相互作用，都是很難以形式化、公式化的描述。

神經網絡是怎么應用到各領域的？

神經網絡雖然缺乏人類解決問題的強大理解能力，但卻可以通過海量的計算從大量的數據中找到一些通用的模式。因此它們作為輔助工具，已經在各行各業，尤其是在多媒體領域體現了自身的價值。

手寫數字識別應該是神經網絡最早的商業應用之一。大部分的人都可以輕松識別下圖中的手寫數字，但要設計一套計算機程序來識別這些數字，就會發現視覺模式識別的難度。而神經網絡的思想是，利用大量的手寫數字，即訓練樣本，從中自動學習到識別各個數字的規則。而且隨著樣本數量的增加，神經網絡可以學習到更多信息，從而可以進一步提升準確度。目前最好的商用神經網絡已經足夠好到能被銀行用來處理支票，以及被郵局用來識別地址。

MNIST手寫數字數據集一覽

手寫數字或許有些過于簡單，那么使用神經網絡發現地外行星，就更能顯示它的能力了。谷歌和得克薩斯大學奧斯丁分校合作，利用上萬顆被標記的恒星數據，訓練了一個卷積神經網絡，訓練結果顯示，神經網絡判別行星的準確率高達96%。然后，研究人員讓這個神經網絡處理2009年到2013年觀測到的670顆恒星的數據集，通過微小的特征變化，發現了兩個星系存在地外行星的可能性非常高。經過研究人員的驗證，確認了這兩顆新的行星。

神經網絡發現的開普勒-90星系與太陽系的對比

近日，美國FDA首次批準了用于檢測糖尿病視網膜病變的人工智能產品：IDx-DR。這次FDA評估了來自10個初級衛生保健點的900名糖尿病患者的視網膜臨床研究圖像數據，IDx-DR能夠正確識別輕度以上糖尿病性視網膜病變的準確率為87.4%，而正確識別沒有輕度以上的糖尿病性視網膜病變的準確率為89.5%。

在目前比較火熱的無人車領域，雖然各大廠商還在研究測試通用的解決方案，但在一些具體的案例上已經有了一些成果。圖森未來使用自主研發的深度學習感知算法，能夠做到讓攝像頭像人眼一樣實時感知行車周邊環境，檢測和跟蹤視野中的各種物體，能夠對可視場景進行像素級的解讀。憑借視覺高精度定位和多傳感器融合技術，能夠實現高速公路上的無人駕駛，幫助貨運企業降低成本，加快貨運周轉。

總之，神經網絡在不斷地影響著生活、醫療和出行，但科研界對它有更多理性的看法。伯克利大學機器學習專家Michael I. Jordan認為，計算機科學仍然是最首要的學科，人工智能還無法取而代之，而神經網絡只是該領域中仍在發展中的一個部份。

“現在要問神經網絡會把我們帶多遠還為時尚早。”最看好神經網絡發展前景的專家題討論成員——OpenAI共同創辦人兼研究總監Ilya Sutskever表示，“這些模型很難理解。例如，將機器視覺作為一種程序真的很不可思議，但現在我們對不可思議的問題都能提出不可思議的解決方案了。”

無論如何，我們目前正處理人工智能對社會的變革過程中，它們已經從實驗室過渡到了商業部署。無疑，廣泛的工業領域將受到龐大的數據和數據分析功能的深遠影響。盡管神經網絡還無法實現基本的人類推理和理解力，但它們將是建構人工智能漫漫長路上所用到的重要工具之一。

雖然現在神經網絡還無法產生意識，但隨著信息科學、認知科學、神經生物學、心理學等前沿學科和交叉學科的深度融合與不斷發展，人工智能將會迎來新的發展高潮。