超级军网关于深度学习人工智能
来源：百度文库 编辑：超级军网 时间：2024/05/02 16:51:37
好像看了半天也没人解释一下这个人工智能，深度学习的基本原理。他这个最底层，最基础的，是模仿神经系统的学习和记忆的。神经细胞之间通过大量的突触互相联接，学习后的记忆就存在突触的接触点上，是个电化学值，用数学表达的话，是个0到1之间的值，而不是像数字计算机储存的，0或者1。模拟的神经网络就是模仿多层的神经细胞（节点）互相联接，用一个0到1之间的系数模拟突触的电化学值。然后，这个模拟的神经网络通过学习不断的调整它巨量的系数值。之后，它就能对输入作出正确的反应（对战）。比较关键的是学习算法，怎样才能学得快，因为它的系数数量实在太过巨大。所以，经过学习后的系统能自主对变化作出正确反应，这个真的不是穷举法。不知道以后用硬件实现的模拟神经网络会不会产生意识。如果会的话，可能还真有一定的危险性。好像看了半天也没人解释一下这个人工智能，深度学习的基本原理。他这个最底层，最基础的，是模仿神经系统的学习和记忆的。神经细胞之间通过大量的突触互相联接，学习后的记忆就存在突触的接触点上，是个电化学值，用数学表达的话，是个0到1之间的值，而不是像数字计算机储存的，0或者1。模拟的神经网络就是模仿多层的神经细胞（节点）互相联接，用一个0到1之间的系数模拟突触的电化学值。然后，这个模拟的神经网络通过学习不断的调整它巨量的系数值。之后，它就能对输入作出正确的反应（对战）。比较关键的是学习算法，怎样才能学得快，因为它的系数数量实在太过巨大。所以，经过学习后的系统能自主对变化作出正确反应，这个真的不是穷举法。不知道以后用硬件实现的模拟神经网络会不会产生意识。如果会的话，可能还真有一定的危险性。
简单介绍一下机制：
你在内存上设 N 个信息节点，每一个节点都看作一个神经元。
神经元可生可灭，可生长可衰减。
你要赋予每一个神经元一个演化方程，一般来讲是 Markov 性质的演化，也即给出演化半群（离散时是演化矩阵）即可。
在全局上规定一个初始的效用函数，这个效用函数用于评比神经元的表现，也即实现系统的正反馈。
在进行一次“学习”的过程中，系统的整体判断是每个神经元做出的判断的集成，集成机制可复杂可简单，最简单的就是加权平均。每个神经元的权在每次学习后根据效用函数的评比结果调整。
最简单的方式是杀死一个百分比（可随机可固定）的神经元，譬如按给定效用函数表现最差的那20%，然后在剩余的80%中随机挑选1/4的人，补足神经元的数量。也就是说，把废黜的神经元的权值调整为0，然后生出新的神经元。
复杂些的方式是让每个神经元在具备演化机制的同时，有一个兴衰机制来确定该神经元的权值。这个兴衰机制好比生物神经元的兴奋程度，同样可以用一个随机过程（通常也是Markov过程）来描述，与神经元的演化机制所对应的随机过程间可以具有相互作用，也可以独立，后者更简单。效用函数的评比会代入其兴衰机制，每一次代入就要调整一次权值，那些得到正反馈（比如排名前50%）的神经元会“兴奋”，权值加大，反之得到负反馈（比如排名后50%）的神经元则会“衰败”，权值减小。
总之，权值，也就是各神经元的“兴奋度”，决定了神经元各自决策方式的演化在整体决策演化中所占的比例。
当神经元数足够多，演化机制的丰富度足够高，兴衰机制的丰富度足够高，效用函数足够复杂（可联立多个效用函数，好比人的七情六欲），则该系统可一定程度上模拟出生物智慧决策的复杂性。
该系统优于传统的穷举法主要是在于决策效率，能够提拔表现优秀的神经元，而抑制那些表现不佳者，就好比唯才是举替代了平均主义，优选代替了无脑。从数学和计算机的术语来说，穷举系统是线性系统，其演化可用一个线性方程组描述。现代随机学习系统是一个随机的非线性系统，其演化不仅具有随机性，也有非线性性（系统自反馈自适应），需要用一个随机微分方程组来描述。
其终究是人的智慧的简化，实现难点不在于数学构想，而在于计算机端的有效程序设计。该系统和人的智慧的一个核心区别，在于该系统对于效用不具备反馈性，需要人固定输入一个统一的效用函数，譬如输赢，生死，赚赔等。人的智慧则会自身调整效用函数，譬如随遇而安，能伸能屈，置之死地而后生等，会根据环境调整自身的效用函数。从数学上说，人的智慧对于当代的随机学习系统来说具有高得多的非线性性。
当然，从唯物主义观点来说，主要还是复杂性，人脑有多少个神经元？每个神经元里面有多少个具有基础逻辑的单元？逻辑单元间的相互作用有多复杂？人脑的模拟电信号本身的随机性就有多高？
这些因素，人类铺前用硅基计算机能够模拟多少？等到计算能力足够强了，一切归于大数定律或者中心极限定理而已，那个无穷大何时达到？那就不是科技问题，是哲学问题了。
你在内存上设 N 个信息节点，每一个节点都看作一个神经元。
神经元可生可灭，可生长可衰减。
你要赋予每一个神经元一个演化方程，一般来讲是 Markov 性质的演化，也即给出演化半群（离散时是演化矩阵）即可。
在全局上规定一个初始的效用函数，这个效用函数用于评比神经元的表现，也即实现系统的正反馈。
在进行一次“学习”的过程中，系统的整体判断是每个神经元做出的判断的集成，集成机制可复杂可简单，最简单的就是加权平均。每个神经元的权在每次学习后根据效用函数的评比结果调整。
最简单的方式是杀死一个百分比（可随机可固定）的神经元，譬如按给定效用函数表现最差的那20%，然后在剩余的80%中随机挑选1/4的人，补足神经元的数量。也就是说，把废黜的神经元的权值调整为0，然后生出新的神经元。
复杂些的方式是让每个神经元在具备演化机制的同时，有一个兴衰机制来确定该神经元的权值。这个兴衰机制好比生物神经元的兴奋程度，同样可以用一个随机过程（通常也是Markov过程）来描述，与神经元的演化机制所对应的随机过程间可以具有相互作用，也可以独立，后者更简单。效用函数的评比会代入其兴衰机制，每一次代入就要调整一次权值，那些得到正反馈（比如排名前50%）的神经元会“兴奋”，权值加大，反之得到负反馈（比如排名后50%）的神经元则会“衰败”，权值减小。
总之，权值，也就是各神经元的“兴奋度”，决定了神经元各自决策方式的演化在整体决策演化中所占的比例。
当神经元数足够多，演化机制的丰富度足够高，兴衰机制的丰富度足够高，效用函数足够复杂（可联立多个效用函数，好比人的七情六欲），则该系统可一定程度上模拟出生物智慧决策的复杂性。
该系统优于传统的穷举法主要是在于决策效率，能够提拔表现优秀的神经元，而抑制那些表现不佳者，就好比唯才是举替代了平均主义，优选代替了无脑。从数学和计算机的术语来说，穷举系统是线性系统，其演化可用一个线性方程组描述。现代随机学习系统是一个随机的非线性系统，其演化不仅具有随机性，也有非线性性（系统自反馈自适应），需要用一个随机微分方程组来描述。
其终究是人的智慧的简化，实现难点不在于数学构想，而在于计算机端的有效程序设计。该系统和人的智慧的一个核心区别，在于该系统对于效用不具备反馈性，需要人固定输入一个统一的效用函数，譬如输赢，生死，赚赔等。人的智慧则会自身调整效用函数，譬如随遇而安，能伸能屈，置之死地而后生等，会根据环境调整自身的效用函数。从数学上说，人的智慧对于当代的随机学习系统来说具有高得多的非线性性。
当然，从唯物主义观点来说，主要还是复杂性，人脑有多少个神经元？每个神经元里面有多少个具有基础逻辑的单元？逻辑单元间的相互作用有多复杂？人脑的模拟电信号本身的随机性就有多高？
这些因素，人类铺前用硅基计算机能够模拟多少？等到计算能力足够强了，一切归于大数定律或者中心极限定理而已，那个无穷大何时达到？那就不是科技问题，是哲学问题了。
......
基本上就是预测一流棋手的行为模式+蒙特卡洛搜索树
出现偏离的理由是,
预测正确率不是100%
若alphago棋力达到9段水平,可以把自己和自己对局的棋谱加入模仿范围
基本上就是预测一流棋手的行为模式+蒙特卡洛搜索树
出现偏离的理由是,
预测正确率不是100%
若alphago棋力达到9段水平,可以把自己和自己对局的棋谱加入模仿范围
品天里炎 发表于 2016-3-11 05:19
......
基本上就是预测一流棋手的行为模式+蒙特卡洛搜索树
出现偏离的理由是,
所以alphago摸到9段是有趣的进展,
虽然不确定deepmind的人择方法是什么
看来第2盘那只AI棋力和古怪有个性的老9段差不多
品天里炎 发表于 2016-3-11 05:19
......
基本上就是预测一流棋手的行为模式+蒙特卡洛搜索树
出现偏离的理由是,
所以alphago摸到9段是有趣的进展,
虽然不确定deepmind的人择方法是什么
看来第2盘那只AI棋力和古怪有个性的老9段差不多
品天里炎 发表于 2016-3-11 05:22
所以alphago摸到9段是有趣的进展,
虽然不确定deepmind的人择方法是什么
看来第2盘那只AI棋力和古怪有 ...
......
不管deepmind是否认为alphago的模仿遍历能养出比现在棋手更强的AI,
反正那东西达不到完全解
所以alphago摸到9段是有趣的进展,
虽然不确定deepmind的人择方法是什么
看来第2盘那只AI棋力和古怪有 ...
......
不管deepmind是否认为alphago的模仿遍历能养出比现在棋手更强的AI,
反正那东西达不到完全解