天才一秒记住【久久文学】地址：https://www.jjwxx.com
21世纪初开始流行的一种新型计算机处理器被证明是计算繁重任务的理想选择。
图形处理单元（GPU）最初是为了处理计算机图形问题而开发的，例如为电脑游戏中提供高质量的动画。
但这些芯片被证明是训练深度神经网络的完美工具。
现在，每一个名副其实的深度学习实验室里都有GPU群——然而，不管它们拥有多少GPU，实验室的工作人员都会抱怨还不够。
毋庸置疑，深度学习和神经网络取得了成功，但它们也存在一些众所周知的缺点。
首先，它们所体现的智慧是不透明的。
神经网络所获取的知识体现在神经元之间相互连接的权重值上，到目前为止，我们还没有办法解析这些知识。
一个深度学习的程序可以告诉你在X光扫描图片中哪里有肿瘤，但它无法证明它的诊断是正确无误的。
一个拒绝为客户提供银行贷款的深度学习程序无法告诉你它拒绝客户的原因。
在第三章中，我们看到类似MY这样的专家系统能够对系统结论做出粗略解释——专家系统得出结论的推理依据是可以追溯的，但神经网络无法做到这一点。
目前有许多研究人员正在致力于解决这个问题，但是，到现在为止，我们还不知道如何解释和表达神经网络所包含的知识。
另一个关键问题是神经网络的稳定性，这是个不易察觉但非常重要的问题。
例如，如果对图像进行细微的修正，对人类而言，这种修正完全不会影响图像识别，但会导致神经网络错误地将其分类，如图17所示[72]。
图a是熊猫的原始图像，图b是经过修改的。
我想你会认为这两张图没什么差别，而且你肯定会认同它们都是熊猫图片这个结论。
可是神经网络能够正确地将图a分类为熊猫，但对图b，它则错误地将其分类为长臂猿。
为了解决这类问题而进行的研究被称为对抗性机器学习——这个术语源自一个观点，即有对手故意通过修改图片参数的方式来试图蒙骗程序。
图17 熊猫还是长臂猿？
神经网络可以正确地将图像a分类为熊猫。
然而，以人类无法察觉的方式调整过图像以后，同一个神经网络会错误地将图像b分类为长臂猿。
图像分类程序认错了动物，倒不是什么要紧的事情，但对抗性机器学习已经昭示了一些令人惶恐的案例。
例如，事实证明，同样的改图方式可以影响程序对路标的识别，虽然人类肉眼看来没什么区别，但是在无人驾驶汽车中，神经网络就可能误读路标。
所以，我们要在敏感的应用程序中使用深度学习算法，就需要详细了解这方面的问题。
深度思维
在本章最开始提到的深度思维公司的故事完美地代表了深度学习的兴起，这家公司由人工智能研究人员兼电脑游戏爱好者德米斯·哈萨比斯（DemisHassabis）和他的校友，企业家穆斯塔法·苏莱曼（MustafaSuleyman）于2010年创立，公司还有哈萨比斯在伦敦大学学院工作时认识的计算神经科学家谢恩·莱格（ShaneLegg）加盟。
正如我们所知的，谷歌在2014年收购了深度思维公司，我还记得在媒体上看到这则新闻时，惊讶于深度思维是一家人工智能公司。
显然，在收购的时候人工智能成为新的热点，这不足为奇，我惊讶的是在英国竟然有一家我没有听说过的人工智能公司，价值4亿英镑，这真的让我困惑不已。
和别人一样，我立马访问了深度思维的网站，但坦白地说，这并没有为我解惑。
公司的技术、产品和服务都没有任何详细的说明。
然而，它倒是提供了一个有趣的话题：深度思维公司公开宣称其任务是解决智能问题。
我已经提到过，人工智能在过去60年里命运多舛，这让我对任何雄心勃勃预测人工智能进步的消息保持警惕：你可以想象，看到一家刚刚被科技巨头收购的小公司竟然发表如此大胆的声明，让我多么吃惊。
本章未完，请点击下一章继续阅读！若浏览器显示没有新章节了，请尝试点击右上角↗️或右下角↘️的菜单，退出阅读模式即可，谢谢！