5
让机器学会学习

推理能力仅是人类智力的一个小分支，我们还擅长使用类比的方式进行思考，或以直觉作为行动参考，逐步积累经验，认知世界。感知、直觉、经验等都是后天习得的能力，或者说是后天训练出来的能力。

因此，如果我们想制造出一种接近人类智能的机器，首先要做的就是赋予它学习能力。人脑是由860亿个相互连接的神经元编织的网络组成的，其中约160亿个神经元活跃在大脑皮层中。每个神经元与平均约2000个其他神经元通过一种被称为突触的结构连接。神经元通过创建突触、删除突触或修改其有效性而进行学习。因此，目前最流行的机器学习方法便是建立人工神经网络，并通过修改它们之间的连接达到学习的目的。

我们可以列出一些基础原则。

机器学习的第一阶段可以被叫作学习或者训练，在此阶段，机器“学习”如何完成一项任务。第二阶段是实施阶段，此时机器不再学习。

为了训练机器识别一张图片中的物体有汽车还是飞机，我们首先需要提供数千张汽车或者飞机的图像，让机器学习。每次当机器捕获图片时，其由人工神经元相互连接组成的内部神经网——本质是由计算机计算的数学函数——便会处理该图片并输出相应答案。如果答案正确，那么我们什么也不需要做，直接转到下一张图片即可；如果答案不正确，那么我们可以调整机器内部的相关参数，即调整神经元之间的连接强度，使其输出的答案向正确答案靠近。从长远的角度来看，经过不断调整的机器最终可以识别任何物体，不论该物体是否曾经出现在它见过的图像上。我们将这种能力称为推广能力。

虽然机器识别图像的过程与人脑的工作原理相似，但机器与人脑之间依旧存在不可忽视的差距。我们来看一组对比数据：人类的大脑有86×10 ⁹ 个神经元，通过约1.5×10 ¹⁴ 个突触相互连接，每个突触每秒可执行上百次“计算”。一次突触计算相当于计算机进行上百次的数字运算（如乘法、加法等）。也就是说，一个正常运作的大脑每秒可进行1.5×10 ¹⁸ 次运算。当然，在现实中，大脑的神经元只有一部分一直处于被激活状态。相比之下，每个GPU每秒可执行10 ¹³ 次运算，因此，需要10万个GPU才能接近大脑的运算能力。还有一个关键点，即人类大脑消耗的功率大约为25瓦，而一个GPU的消耗是人脑的10倍，即250瓦。电子的效率是生物的一百万分之一。 yiLCBvfcjXOVWkG8Tra6uKXfr22gAWSfD9yGcBPSckPP4/0yJi55NYRT1SFb9gR3