神经网络

神经网络是人工智能 (AI) 的核心组成部分，使计算机能够以类人方式处理信息。人工智能模拟人类的行为机制，神经网络则复现了人类的认知过程和行为模式。

随着人工智能在日常生活中的普及和融合不断加深，神经网络已成为一项日益重要的技术。

什么是神经网络？

神经网络的定义：神经网络是一种以人脑为建模原型，旨在模拟人脑结构和功能的计算机系统，其能够以类人类智能的方式处理信息并作出决策。

神经网络由相互连接的节点（即神经元）按层排列而成。这些层使网络能够以类人脑的方式处理数据。神经网络通过经验和数据不断提升准确性和输出效能，以实现持续学习和自适应。

神经网络在运行过程中会不断自适应和学习。作为不断演进的系统，神经网络功能强大，广泛应用于各个行业及各类场景，能够从数据、决策以及遇到的障碍中学习。

神经网络的工作原理是什么？

人工神经网络由按复杂网络结构排列的节点层组成，旨在处理数据并生成输出结果。此类输出结果通过理解和分类，从输入数据中得出，通常具有预测性和分析性。

最简单的神经网络由三个相互连接的层组成：

• 输入层：该层用于引入信息。输入节点对数据进行处理、分析和分类，然后将其传递至下一层。
• 隐藏层：该层接收来自输入层或其他先前隐藏层的信息。在该层中，上一层的输出会经过进一步分析、处理并向下传递。
• 输出层：这是最终阶段，处理后的数据将作为结果输出。

该过程看似简单，但复杂的神经网络可能包含多个隐藏层，其中有数百万个神经元相互连接。深度神经网络可能极其复杂，与其他机器学习模型相比，通常需要更多的训练。

神经网络的发展历程是怎样的？

人工智能虽为相对新兴的技术，但神经网络的发展历史却颇为悠久。事实上，神经网络的技术思想及神经网络技术的演进，持续时间远超我们的认知。以下是一些关键里程碑：

• 1943 年，起源：Warren McCulloch 和 Walter Pitts 探索了如何将神经网络应用于计算领域，为未来的发展奠定了基础。
• 20 世纪 40 年代末，理论拓展：神经网络开始被纳入机器学习的研究范畴。D. O. Hebb 提出了神经可塑性机制，即“赫布学习”，该理论后来为 AI 神经网络的发展产生了重要影响。赫布学习通常用一句话来概括：“一起放电的神经元，会连接在一起”。
• 1958 年，计算机学习的开端：Frank Rosenblatt 开发了感知机，标志着人工神经网络的诞生。这是一个重要里程碑，推动了深度学习研究领域的投资增长。
• 1967 年，多层感知机：Shun'ichi Amari 发表了首个通过随机梯度下降（一种优化函数方法）训练的多层感知机。
• 20 世纪 80 年代，卷积神经网络：Kunihiko Fukushima 提出了新认知机，这是卷积神经网络 (CNN) 架构的早期形态，奠定了计算机视觉的基础。1986 年反向传播算法的提出，实现了深度神经网络的训练，突破了感知机的局限，重新点燃了学界对神经网络的兴趣。这一创新为后续的重大进展铺平了道路，包括 Yann LeCun 于 1989 年发表的关于神经网络架构训练算法的开创性论文，这标志着 AI 神经网络的成功实施迈出了重要一步。
• 1992 年，支持向量机与集成方法：20 世纪 90 年代，Vladimir Vapnik 及其同事提出了支持向量机 (SVM)，该模型随后成为分类任务中广受欢迎的方法。此外，Leo Breiman 于 1995 年提出了随机森林算法，通过集成学习提升了模型的准确性。
• 21 世纪 00 年代，深度学习与 CNN：21 世纪 00 年代，卷积神经网络在图像分类、目标检测等多种应用场景中得到了广泛应用。CNN 捕捉空间层次结构和识别模式的能力，推动了计算机视觉领域的变革。2006 年，Geoffrey Hinton 和 Ruslan Salakhutdinov 发表关于深度信念网络的论文。深度信念网络是一种能够学习复杂依赖关系的概率模型，这篇论文重新激发了学界对深度学习的兴趣。
• 21 世纪 10 年代，Transformer 与 LLM：2017 年，Transformer 模型的提出使自然语言处理发生变革，它让模型能够理解语言中的语法依存关系。该架构成为 BERT 和 GPT 等大语言模型 (LLM) 的基础，显著推动了该领域的发展。OpenAI 于 2020 年发布的 GPT-3 以 1,750 亿个参数展现了 LLM 的强大能力，并展示了其生成类人文本的能力。
• 21 世纪 20 年代，先进模型：21 世纪 20 年代，生成式 AI 持续取得进展，DALL-E 和 Stable Diffusion 等模型实现了逼真图像和文本的生成能力。这些进展使 AI 走向更广泛的公众视野，并凸显了其商业潜力。谷歌实现了重大突破，推出了一款 AI 智能体，能够生成高精度 15 天天气预报。这款新工具由 DeepMind 开发，彰显了 AI 在实际应用场景中的强大能力，并能提供精准的预测，有助于规划应对极端天气事件并减轻其带来的损失。

神经网络有哪些主要类型？

神经网络由多层相互连接的节点（即神经元）组成。这些节点之间的交互以及数据在其间的流动，是区分不同类型神经网络的关键特征。

不同类型的神经网络通过略有差异的方式工作，从而生成预测和分析输出结果：

• 卷积神经网络 (CNN) 是一类直接从数据中学习的神经网络，通常用于识别物体、类别和规律。凭借这种识别能力，CNN 可用于将数据分为不同类别、序列和列表，也可用于做出预测。
• 前馈神经网络的主要特征在于数据的单向流动。该类网络不会形成环路，而是将信息传递至后续节点和层。
• 与仅向前传递信息的前馈神经网络不同，反向传播神经网络利用学习过程来分析误差并调整结果。该方法通过学习复杂规律，提高了网络做出准确预测的能力。反向传播神经网络利用纠正性反馈回路来分析和优化自身的输出。

神经网络是如何应用的？

神经网络通过提高准确性和效率，正在对多个领域产生革命性影响。在医疗保健领域，其可以分析医学影像以检测疾病；而在自动驾驶汽车领域，其能够处理传感器数据，从而实现安全导航和决策。

• 医学成像：神经网络在医疗保健领域被广泛应用于分析 X 光、磁共振成像 (MRI) 及计算机断层扫描 (CT) 等医学影像。其能够以高准确度检测异常并诊断疾病，且在速度和可靠性方面常常优于人类专业人员。
• 自动驾驶汽车：神经网络为自动驾驶汽车的决策过程提供支持。通过处理传感器和摄像头采集的数据，帮助车辆理解周围环境，使车辆能够导航、避障并做出实时驾驶决策。