人和機器將超越任何一個元素的能力。 metamorworks / Shutterstock.com
未來不會由人類或機器單獨製造 - 而是兩者一起工作。 以人類大腦如何工作為藍本的技術已經在增強人們的能力，並且隨著社會習慣於這些功能越來越強大的機器，它們將變得更有影響力。
技術樂觀主義者設想一個正在崛起的世界 人的生產力和生活質量 作為人工智能係統接管生活的苦差事和行政管理， 讓每個人受益。 另一方面，悲觀主義者警告說，這些進步可能會出現 失去工作和生活中斷的巨大代價。 恐懼分子擔心人工智能可能會最終失敗 使人類過時.
然而，人們並不擅長想像未來。 烏托邦和世界末日都不可能。 在我的新書中，“深度學習革命，“我的目標是解釋這個快速發展的科學技術領域的過去，現在和未來。 我的結論是人工智能會讓你更聰明，但會讓你感到驚訝。
識別模式
深度學習是AI取得最大進步的一部分 解決複雜問題 比如識別圖像中的對象，識別來自多個發言者的語音，以及人們說話或寫作的方式處理文本。 深度學習也證明對於識別正在生成的越來越大的數據集中的模式非常有用 傳感器，醫療設備和科學儀器.
這種方法的目標是找到計算機可以代表世界複雜性的方法，並從以前的經驗中概括出來 - 即使接下來發生的事情與以前發生的事情不完全相同。 正如一個人可以確定她以前從未見過的特定動物實際上是一隻貓， 深度學習算法可以識別方面 可能被稱為“cat-ness”並從貓的新圖像中提取這些屬性。
深度學習系統可以分辨出哪些是貓。 Gelpi / Shutterstock.com
深度學習的方法是基於 為人類大腦提供動力的相同原則。 例如，大腦同時處理許多處理單元中的各種數據。 神經元彼此有許多聯繫， 這些聯繫會根據使用的程度而增強或減弱，建立感官輸入和概念輸出之間的關聯。
最成功的深度學習網絡 基於1960s對視覺皮層結構的研究，這是我們用來觀察的大腦的一部分，以及在1980中發明的學習算法。 那時候，計算機還不夠快，無法解決實際問題。 但現在，他們是。
此外，學習網絡已經相互疊加，更緊密地建立了連接網絡 類似於視覺皮層中發現的層次結構。 這是一個部分 收斂 之間發生 人工和生物智能.
四層神經網絡接受來自左側的輸入，將第一層的輸出傳遞到下一層，下一層和下一層 - 在傳遞輸出之前。 Sin314 / Shutterstock.com
在現實生活中深度學習
深度學習已經增加了人類的能力。 如果您使用Google服務搜索網絡，或使用其應用程序從一種語言翻譯成另一種語言或將語音轉換為文本，那麼技術可以讓您變得更聰明或更有效。 最近在中國旅行時，一位朋友在他的Android手機中說英語，將其翻譯為出口司機的中文口語 - 就像 “星際迷航”中的通用翻譯“
對實際實時翻譯設備的測試。
{youtube}Nu-nlQqFCKg{/youtube}
這些和許多其他系統已經在工作，即使您不了解它們，也可以幫助您在日常生活中。 例如，深度學習開始接管 閱讀X射線圖像和皮膚病變照片 用於癌症檢測。 您的當地醫生很快就能發現只有最好的專家才能發現的問題。
即使你確實知道有一台機器，你可能也不會理解他們實際做的事情的複雜性：在亞馬遜的Alexa背後是一大堆 深度學習網絡，可以識別您的請求，篩選數據以回答您的問題並代表您採取行動。
推進學習
深度學習在解決模式識別問題方面非常有效，但要超越這一點需要其他大腦系統。 當一隻動物獲得一個動作獎勵時，它就是 將來更有可能採取類似的行動。 大腦基底神經節中的多巴胺神經元報告預期和接受的獎勵之間的差異， 稱為獎勵預測錯誤，用於改變預測未來獎勵的大腦連接的強度。
將這種稱為強化學習的方法與深度學習相結合，可以使計算機具有識別意外可能性的能力。 通過識別模式然後以產生獎勵的方式對其進行響應，機器可能會沿著可能被稱為人類創造力的行為來處理行為。 這種耦合方法是DeepMind開發的方法 程序名為AlphaGo，在哪 2016擊敗了大師李塞多 和第二年 擊敗世界圍棋冠軍，柯傑.
遊戲並不像現實世界那樣凌亂，現實世界充滿了不確定性的變化。 Massimo Vergassola 在加州大學聖地亞哥分校，我最近使用強化學習來教授滑翔機 如何在湍流的熱量中像鳥一樣翱翔。 傳感器可以連接到實際的鳥類，以測試它們是否使用相同的提示並以相同的方式響應。
儘管取得了這些成功，但研究人員還沒有完全理解深度學習如何解決這些問題。 當然，我們也不知道大腦是如何解決它們的。
雖然大腦的內部運作可能仍然難以捉摸，但研究人員開發深度學習理論只是時間問題。 不同之處在於，在研究計算機時，研究人員可以訪問網絡中的每個連接和活動模式。 進展的步伐很快，每天都有研究論文出現 arXiv。 令人矚目的進展令人期待，今年十二月在 神經信息處理系統會議 在蒙特利爾，哪個 售罄的8,000門票 在11分鐘內，讓9,000有希望的註冊人在候補名單上。
在計算機實現一般人類智能之前，還有很長的路要走。 今天最大的深度學習網絡只有一塊人類神經皮層的力量 米粒的大小。 我們還不知道大腦是如何動態組織大腦區域之間的相互作用的。
大自然已經具備了這種整合水平，創造了大規模的大腦系統，能夠操作人體的各個方面，同時思考深層問題和完成複雜的任務。 最終，自治系統可能變得如此復雜，加入了我們這個星球上無數的生物。
關於作者
Terrence Sejnowski，弗朗西斯克里克教授，索爾克生物研究所計算神經生物學實驗室主任，神經生物學傑出教授， 加州聖地亞哥大學
相關書籍
at InnerSelf 市場和亞馬遜
