下载掌阅APP，畅读海量书库
立即打开
20世纪50年代，当基于逻辑和树搜索的传统人工智能触及极限时，机器学习的先驱纷纷开始发声。他们认为，要使人工智能像人类或动物那样执行复杂任务，仅靠逻辑是不够的，而应该以大脑的学习机制为蓝图，设计出更加接近大脑的、能够自行规划的系统。我走的就是基于深度学习和（人工）神经网络的研究道路。这种研究几乎活跃在所有当前热门应用中，首当其冲的就是自动驾驶。
神经网络的起源可以追溯到20世纪中叶。20世纪50年代，加拿大心理学家和神经生物学家唐纳德·赫布（Donald Hebb）热衷于研究神经连接在学习过程中起到的作用。人工智能领域的乌托邦主义者是唐纳德理论的拥护者，他们认为，与其重现人类推理的完整逻辑序列，不如探索它们的载体，也就是大脑这个强大的生物处理器。
因此，旨在模拟生物神经电路的计算机科学家被人们统称为神经流派（与之前的逻辑流派或顺序流派相反）。他们孜孜不倦地追求基于一种原创体系结构的机器学习方式，这种体系本质上是一种数学函数网络，我们类比人类的神经网络，称它为人工神经元。当网络接收了输入信号，其中的神经元将以原创体系结构对其进行处理，以便输出端能够识别该信号。简单元素——人工神经元——的共同作用产生了复杂的认识。就像在大脑中，基本功能单元——神经元——之间的相互作用使人产生了思想一样。
这股研究潮流始于1957年，当时心理学家弗兰克·罗森布拉特（Frank Rosenblatt）在康奈尔大学开发出了感知器，它是第一台受唐纳德·赫布认知理论启发而被开发出来的学习机，它在经过训练后便可以拥有识别形态的功能。因为到目前为止，感知器仍是机器学习的参考模型，我们将会在下一章对其进行详细探讨。
20世纪70年代，两位美国人，时任加利福尼亚圣何塞州立大学的电气工程学教授理查德·杜达（Richard Duda）和位于加利福尼亚州门洛帕克的斯坦福研究所（SRI）的计算机科学家彼得·哈特（Peter Hart），评估了所有被称为“统计形式的识别”的方法，
并撰写了一本评估手册，感知器就是其中一个例子。手册一经推出，立刻成为模式识别领域的参考标杆。对所有的学生，甚至于我而言，它都是一本行业“圣经”。
但感知器并不是万能的，它的系统由单层人工神经网络构成，功能十分有限。研究人员也曾试图引入多层神经网络来提高效率，但囿于没有找到相对应的训练算法（优良的指令序列）而以失败告终。因此，这种机器学习方法的作用十分有限。