人工智能的主要研究流派和成果（二）

       信息计算学派的研究成果，无论智能化计算机语言、框架理论还是专家系统，虽然都各自提出了知识的表达方式，却不能解决一个关键的问题，那就是知识如何获取。在这一点上，神经网络学派恰好填补了空白，尤其在互联网时代，在信息技术积攒的海量数据面前，如何挖掘这一阿里巴巴式的洞藏宝藏，具备学习能力的人工神经网络便大显身手了，加上其学习能力一再提升，当深度学习横空出世，阿尔法狗战胜世界围棋冠军柯洁时，神经网络学派已是后来居上，成了人工智能的主力军。

        神经网络学派着眼于对大脑神经系统工作方式的探索和模拟，就发展历史来看，可以分为四个阶段：启蒙期、低潮期、复兴期和兴盛期。

        启蒙期：1890年代至1969年，标志性事件有：1890年代，威廉.詹姆斯第一描述了神经细胞的工作原理，1943年，麦卡洛克和皮特斯提出了M-P神经元模型，第一次用数学方式描述了神经元的工作原理，成为人工神经网络的起点，1949年，唐纳德·赫布探究了人类的学习规则，其学习假设是重复激活使相关链接权值得到加强。1957年罗森布拉特提出了感知器及其收敛定理。不久威德罗和特德·霍夫提出Widrow-Hoff神经网络算法，第一次给出了一个具体的学习算法LMS，其实质是基于均方误差的线性学习准则。

        低潮期：1969年，明斯基出版《感知器》，指出感知器存在致命缺陷，一是只能用于线性问题的求解，二是感知器理论上还不能证明其具备多层意义。由此，人工神经网络从此陷入低潮，一直持续到80年代初期。虽然是低潮期，但这一阶段并非空白，仍有科荷伦的自组织网络、格罗斯伯格的自适应共振理论和福岛邦彦的新认知机相继提出。

       复兴期：从1982年霍普菲尔德提出hopfield神经网络模型，1986年罗森布拉特和辛顿提出BP神经网络，到1987年国际第一届神经网络会议在美召开，有上千人与会，标志着人工神经网络的全面复兴。

       兴盛期：可以把第一届神经网络会议当做兴盛期的标志事件，但我更愿意将2006年辛顿和萨拉霍蒂诺发表的关于深度学习的论文作为标志事件，因为深度学习经过阿尔法狗战胜围棋冠军的推广，已经深入人心。

这一阶段人工神经网络一路高歌猛进，模型上，从hopfield神经网络、普尔兹曼机、受限普尔兹曼机到积卷神经网络，学习算法上，从前馈误差反向传播、反馈迭代算法、梯度推进算法、模拟退火算法到CD学习算法，应用上，从大数据分析、图像压缩、图像识别、无人驾驶到棋类游戏，神经网络和深度学习俨然成为人工智能的代名词。

       人工神经网络的应用虽然无孔不入，但仍有局限性。

        一是人工神经网络来自于脑神经科学，但仍然是基于有限认识上的行为模仿，其实质上是基于不同类型的有向图上的数学优化算法，并且不是精确的求解，而是通过一定的样本的反复学习训练，形成一定的权值记忆，结合神经网络模型的收敛性，以期达到一个近似的统计学意义上的最佳求解，虽然很管用，但更像是一种数学游戏，鉴于脑科学认识的局限性，仍然谈不上是人类智慧复制。

       二是人工神经网络仍然不存在一个放之四海皆准的通用模型，需要根据具体的问题，由专家运用智慧去构造，虽然研究阿尔法狗的戴密斯·哈萨比斯目前正在致力于通用神经网络模型的研究，但还没有公之于众的结果。

       三是人工神经网络虽然具备多层，仍然是有限神经元的连接，仍不具备人脑亿万神经元的连接规模。

       纵然如此，这有限的连接，就能制造出让人瞠目结舌的智能，一旦获得进一步的突破，会是怎样的一个局面，值得人们期待和担忧。