本文摘要：人工智能想之后发展，或许可以从儿童自学的方法中获益。如果你常常花上时间和小孩子待在一起的话，你不会不由得思维小孩子怎么需要自学得如此之慢。哲学家们，比如柏拉图也曾多次考虑过这个问题，但是根本没寻找一个失望的答案。 我五岁的儿子，奥吉最近了解了植物，动物和钟，当然也少不了恐龙和飞船。他还弄懂了如何解读他人的必须和感觉。他可以用科学知识来定义他看见和听见的东西，并且作出新的预测。 比如他最近就说道前不久在纽约市美国大自然历史博物馆展出的新雷龙是食草动物，所以说道并没那么可怕。

人工智能想之后发展，或许可以从儿童自学的方法中获益。如果你常常花上时间和小孩子待在一起的话，你不会不由得思维小孩子怎么需要自学得如此之慢。哲学家们，比如柏拉图也曾多次考虑过这个问题，但是根本没寻找一个失望的答案。

我五岁的儿子，奥吉最近了解了植物，动物和钟，当然也少不了恐龙和飞船。他还弄懂了如何解读他人的必须和感觉。他可以用科学知识来定义他看见和听见的东西，并且作出新的预测。

比如他最近就说道前不久在纽约市美国大自然历史博物馆展出的新雷龙是食草动物，所以说道并没那么可怕。但只不过奥吉体验到的不过是一串光子抵达了他的视网膜，他的耳膜接管到了空气的振动而已。

他蓝眼睛背后的“神经电脑”从某种角度上来说通过他感官到的受限的信息作出了食草雷龙不是很可怕的预测。那么问题来了，是不是说道电脑也可以做这样呢？过去15年的时间里，计算机科学家和心理学家仍然在尝试寻找一个答案。儿童从老师和家长那受限的输出当中提供了大量的科学知识。

尽管如今机器智能风头明正，但是最得意的电脑也无法像一个5岁儿童那样展开自学。搞清楚儿童的大脑到底是如何运转的，然后设计出有一个电子版本需要某种程度有效地运转，有可能必须计算机科学家们几十年的希望。

但同时，他们早已在研发融合了人类自学模型的人工智能了。追根溯源在上世纪五六十年代的第一次热潮愈演愈烈以后，接下来对AI的探寻就沉寂了几十年。不过在过去的几年里，学界忽然获得了重大进展，特别是在是在机器学习领域。AI一时间变为了最热门的技术。

这些进展到底是解救人类还是吞噬人类，一时间也众说纷纭。AI在也显然曾被用来伴随永生或者世界末日，这两种可能性文学作品里都早已写出过很多。我实在在AI领域获得了这些发展引发人们反感感觉的主要原因在于我们内心深处只不过十分惧怕类人类的经常出现的。

不管是《科学怪人》里的魔偶还是2015年《机械姬》电影里的性感机器人，未来不会经常出现一种“生物”不会沦为相连人类与人工之间鸿沟的桥梁，这种点子本身竟然人实在混乱。但是计算机知道能像人类那样自学吗？那些席卷媒体的热点新闻，有多少是确实具备革命意义的产品，而又有多少只是噱头而已呢？电脑自学辨别猫，或者一个平片假名的过程很难被人解读。

但是仔细观察之后我们不会找到，机器学习背后的基础理论并没一开始看起来的那么难以捉摸。但是计算机知道能像人类那样自学吗？那些席卷媒体的热点新闻，有多少是确实具备革命意义的产品，而又有多少只是噱头而已呢？电脑自学辨别猫，或者一个平片假名的过程很难被人解读。

但是仔细观察之后我们不会找到，机器学习背后的基础理论并没一开始看起来的那么难以捉摸。一种解决办法是我们接管到的光子和空气振动，到了电脑上就不会以数字图像的像素和录音的声音片段呈现出出来。

然后试着从数据中萃取一串图案用来观测并辨识周围世界的物体。这种自底向上的研究方法在一些哲学家和心理学家的理论中也可以寻找，比如约翰·密尔。上世纪八十年代，科学家寻找了一种令人信服的方式应用于这种自底向上的方式让计算机在数据中找寻有价值的图案。

”神经网络“系统通过神经元将视网膜上的光图案重现了你周围的环境。神经网络也是一样的图案。通过相互相连的类似于生物细胞的处理单元将某一层网络上的像素转换成抽象化的传达——比如一个鼻子或一整张脸。神经网络的概念由于最近深度自学新技术的经常出现又新的大力发展了。

深度自学这种技术是由谷歌，Facebook和其他互联网巨头展开商业落地的。计算机大大快速增长的能力——比如由摩尔定律反映的计算能力的指数快速增长，也是这些系统获得成功的一部分原因，大数据集地较慢发展也是其中一部分原因。有了更高的处理速度和更加多的数据之后，相连系统需要更为高效地自学。

就像科学家一样，自顶向下的系统构成了抽象化普遍的对于世界的假设。这个系统不会预测在假设是准确的情况下，数据不会呈现什么样子。同时这个系统也不会大大根据这些预测的结果来改动自身的假设。尼日利亚、万艾可和垃圾邮件自底向上的方式有可能是最更容易被解读的，我们首先来说明这个。

想象一下你企图让计算机从你的收件箱中辨别出有最重要邮件。你有可能注意到垃圾邮件都有某种让人喜欢的特征：收件人列表尤其宽，源地址来自尼日利亚或巴伐利亚，总是提及一百万美元的奖金或提及伟哥。但是很有可能十分简单的邮件看上去也是这样。

你想错失回应你升迁或者得了学术奖项的邮件。如果你对比大量垃圾邮件和长时间邮件之后，你不会找到只有垃圾邮件一般不会不具备以上的讲故事方式——比如，来自尼日利亚的邮件，并允诺有一百万美元的奖金经常出现了问题。

事实上，或许不存在更为显著的区分垃圾邮件和长时间邮件的方式——比如不过于显著的错误拼法和IP地址。如果你能找到这些信息，你就可以精确地过滤器掉垃圾邮件了，而且也不必担忧你的长时间邮件被截击。自底向上的机器学习可以探寻出有解决问题这种问题的涉及线索。为了超过这一目的，神经网络必需总结之前的自学过程。

神经网络从极大的数据库中对成百万的样例展开评估，每一个样事例标记为垃圾邮件或者长时间邮件。然后计算机从一组辨识特征中萃取出能区分垃圾邮件的特征。

本文来源：皇冠官方链接-www.jackiefewell.com