这篇文章让你看懂人工智能：原理、技术和未来(2)

深度学习系统中一个特别有用的架构被称为卷积神经网络或 ConvNet。 ConvNet 是连接神经网络中单元的一种特定方式，受其他动物和人类视觉皮层体系结构的启发构建而来。现代 ConNet可以利用从7~100层的单元。在公园里，我们人类看到大牧羊犬和奇瓦瓦，尽管它们的体型和体重都不同，但我们却知道它们都是狗。对于计算机而言，图像只是一串数组。在这串数组内，局部图案，例如物体的边缘，在第一层中能够被轻易检测出来。神经网络的下一层将检测这些简单图案的组合所形成简单形状，比如汽车的轮子或人脸的眼睛。再下一层将检测这些形状组合所构成的物体的某些部分，例如人脸、腿部或飞机的机翼。神经网络的最后一层将检测刚才那些部分的组合：一辆汽车、一架飞机、一个人、一只狗等等。神经网络的深度——具有多少层——使网络能够以这种分层次的方式识别复杂模式。

一旦经过了大量样本数据库的训练，ConvNet 对于识别图像、视频、语音、音乐甚至文本等自然信号特别有用。为了很好地训练网络，我们需要提供给这些网络被人标记的大量图像数据。ConvNet会学习将每个图像与其相应的标签相互关联起来。有趣的是，ConvNet 还能将以前从未见过的图像及其相应的标签配对。由此我么就得到了一个系统，可以梳理各种各样的图像，并且识别照片中的元素。这些网络在语音识别和文本识别中也非常有用，在自动驾驶汽车和最新一代医学图像分析系统中也是关键组成部分。

什么是可以学习的

AI也解决了我们人类所面临的核心问题之一：什么是智能（intelligence）？哲学家和科学家一直在努力解决这个问题，而答案却一直难以捉摸、飘忽不定，哪怕这个中心是我们能称之为人的根本属性。

同时，AI也提出了大量的哲学和理论问题：什么是可以学习的？数学定理告诉我们，单个能学习的机器不能有效地学会所有可能的任务，我们也由此得知什么是不可能学到的，不管你投入多少资源。

这样，AI机器就像我们人类一样。在很多方面，我们人并不比会学习的机器优秀。人类大脑高度特化，尽管具有明显的适应性。当前的AI系统仍然远不具有人类拥有的看似一般的智能。

在AI中，我们通常考虑三种类型的学习：

强化学习 这是关于代理应该如何行动以获得最大化奖励的问题，它受行为心理学理论的启发。在特定情况下，机器挑选一个动作或一系列动作并获得奖励。强化学习通常用于教机器玩游戏和赢得比赛，比如国际象棋、西洋双陆棋、围棋或简单的视频游戏。强化学习存在的问题是，单纯地强化学习需要海量的试错才能学会简单的任务。

监督学习 基本上，监督学习就是我们告诉机器特定输入的正确答案：这是一幅汽车的图像，正确答案是“汽车”。它之所以被称为监督学习，是因为算法从带标签数据学习的过程类似于向年幼的孩子展示图画书。成年人知道正确的答案，孩子根据前面的例子做出预测。这也是训练神经网络和其他机器学习体系结构最常用的技术。举个例子：给出你城市中大量房屋的描述及其价格，尝试预测你自己家房子的售价。(责任编辑：方向)