我在NVIDIA研究深度學習已達四年之久，作為一名解決方案架構師，專門研究深度學習相關技術，為客戶提供可能的解決方案，并加以實施。

在我加入NVIDIA時，人工智能已經(jīng)成為一個非常普遍的應用術語，但經(jīng)常被模棱兩可的使用，甚至錯誤的被描述為深度學習和機器學習。我想從一些簡單的定義出發(fā)，去一步步深入解讀其中含義，不足之處，以及采用新構架創(chuàng)建更完整能力“AI”的一些步驟。

機器學習——將函數(shù)與數(shù)據(jù)進行擬合，并使用這些函數(shù)對數(shù)據(jù)進行分組或?qū)ξ磥頂?shù)據(jù)進行預測。（抱歉，我大大簡化了概念。）

深度學習——將函數(shù)與數(shù)據(jù)進行擬合，如下圖所示，函數(shù)就是節(jié)點層，用于和前后節(jié)點相連，其中擬合的參數(shù)是這些連接節(jié)點的權重。

深度學習就是如今經(jīng)常被成為AI的概念，但實際上只是非常精細的模式識別和統(tǒng)計建模。最常見的技術/算法是卷積神經(jīng)網(wǎng)絡（CNNs）、遞歸神經(jīng)網(wǎng)絡（RNNs）和強化學習（RL）。

卷積神經(jīng)網(wǎng)絡（CNNs）具有分層結構，通過（訓練過的）卷積濾波器將圖像采樣到一個低分辨率的映射中，該映射表示每個點上卷積運算的值。從圖像中來看，它是從高分辨像素到特征（邊緣、圓形、……），再到粗糙特征（臉上的鼻子、眼睛、嘴唇……），然后再到能夠識別圖像內(nèi)容的完整連接層。CNNs很酷的一點是，其卷積濾波器是隨機初始化的，當你訓練網(wǎng)絡時，你實際是在訓練卷積濾波器。幾十年來，計算機視覺研究人員一直在手工制作類似的濾波器，但無法像CNNs那樣的精準結果。此外，CNN的輸出可以是2D圖而不是單個值，從而為我們提供圖像分割。CNNs還可以用于許多其他類型的1D、2D甚至3D數(shù)據(jù)。

遞歸神經(jīng)網(wǎng)絡（RNN）適用于順序或時間序列數(shù)據(jù)?；旧?，RNN中的每個“神經(jīng)”節(jié)點都是存儲門，通常是LSTM（長短期記憶）或者長短期的存儲單元。當他們被連接到層神經(jīng)網(wǎng)絡時，RNN將狀態(tài)在自身網(wǎng)絡中循環(huán)傳遞，因此可以接受更廣泛的時間序列結構輸入。比如：語言處理或者翻譯，以及信號處理，文本到語音，語音到文本……

強化學習是第三種主要的深度學習（DL）方法，強調(diào)如何基于環(huán)境而行動，以取得最大化的預期利益。一個例子就是迷宮，其中每個單元都存在各自的“狀態(tài)”，擁有四個移動的方向，在每個單元格某方向的移動的概率來形成策略。

通過反復運行狀態(tài)和可能的操作，并獎勵產(chǎn)生良好結果的操作序列（通過增加策略中這些操作的概率），懲罰產(chǎn)生負面結果的操作（降低概率）。隨著時間的推移，你會得到一個最優(yōu)的策略，它有最高的可能性來取得一個成功的結果。通常在訓練的時候，你會對更早的行為的懲罰/獎勵打折扣。

在我們的迷宮事例中，先允許代理穿過迷宮，選擇一個方向，使用已有的概率策略，當它達到死胡同時，懲罰它選擇的路徑（降低每個單元移動該方向的概率）。如果找到了出口，我們則增加每個單元移動方向的概率作為獎勵。隨著時間的推移，代理通過學習，找到了最快方式。強化學習的這種變化就是AlphaGo AI和Atari電子游戲AI的核心。

最后值得關注的是GANs（生成對抗網(wǎng)絡），它更多的是一門技術而不是架構。目前它與CNNs一起用于制作圖像鑒別器和發(fā)生器。鑒別器是經(jīng)過訓練以識別圖像的CNN，生成器是一個反向網(wǎng)絡，它采用隨機種子生成圖像。鑒別器評估發(fā)生器的輸出并向發(fā)生器發(fā)送關于如何改進的信號，發(fā)生器依次向鑒別器發(fā)送信號以提高其準確性，在零和博弈游戲（zero-sum game）中反復往返，直到兩者收斂到最佳質(zhì)量。這是一種向神經(jīng)系統(tǒng)提供自我強化反饋的方法。

當然，所有這些方法以及其他方法都有豐富的變化和組合，但是一旦你嘗試將它們用于特定問題之外的問題時，這些技術有時不會有效。對于實際問題，即使你可以擴展和重新設計網(wǎng)絡拓撲并對其進行調(diào)整，它們有時也表現(xiàn)不加。往往我們只是沒有足夠的數(shù)據(jù)來訓練它們，以使得它們在部署中更加精準。

同樣，許多應用需要將多種DL技術結合在一起并找到融合它們的方法。一個簡單的例子就是視頻標記——你通過CNN傳送視頻幀，在頂部有一個RNN來捕捉這些視頻中的那些隨著和時間有關的行為。曾經(jīng)我?guī)椭芯咳藛T使用這種技術來識別四肢癱瘓者的面部表情，向他們輪椅和機器假肢發(fā)出命令，每個指令對應不同的面部表情/手勢。這起到了一定的效果，但當你擴大規(guī)模時，開發(fā)和訓練它可能會花費更多時間，且變得非常棘手。因為你現(xiàn)在必須調(diào)整交織在一起的兩種不同類型的DL網(wǎng)絡，有時很難知道這些調(diào)整會產(chǎn)生什么影響。

現(xiàn)在想象一下，你有多個CNN/RNN網(wǎng)絡提供輸出，一個深度強化學習引擎對輸入狀態(tài)做出決策，然后驅(qū)動生成網(wǎng)絡產(chǎn)生輸出。其實是很多特定的DL技術組合在一起來完成一組任務。你可以說這是“魔鬼式”的瘋狂調(diào)參。它會奏效嗎？我不知道，如此一來，它將耗費大量資金和時間才開始工作，并且不確定它是否能夠很好的訓練，甚至在現(xiàn)實條件下進行訓練。

我個人觀點是，我們目前的DL技術各自代表一個子集，用來簡化大腦網(wǎng)絡和神經(jīng)系統(tǒng)的工作。雖然我們稱之為“神經(jīng)”，但實際上并不是，它們都是專門用于特定的任務。

事實上，大多訓練DL或者人工智能的人都沒有意識到，如今深度學習中的“神經(jīng)網(wǎng)絡”和“神經(jīng)元”只是更大、更豐富的合成神經(jīng)元、神經(jīng)網(wǎng)絡和方法。我們今天在DL中使用的大多數(shù)人分層我網(wǎng)絡和CNN屬于前饋神經(jīng)網(wǎng)絡的較小一部分，只是簡單地對每個節(jié)點處進行加權輸入求和，應用簡單的傳遞函數(shù)，將結果傳遞給下一層。

這并不是大腦處理工作的方式，甚至RNN和強化學習也沒有給我們真正的人工智能，只是將非常大和復雜函數(shù)的參數(shù)擬合到大量數(shù)據(jù)，并使用統(tǒng)計數(shù)據(jù)找到模式并做出決定。

上圖頂部和左側(cè)的方法，特別是SNNs（Spiking Neural Networks），給出了一個更準確的模型，來運行真正的神經(jīng)元工作方式。就像“數(shù)積分-火-模型”、Izhikevich脈沖神經(jīng)元模型那樣高效。像“Hodgkin-Huxley”一樣接近模擬生物神經(jīng)元的行為。

在真實的神經(jīng)元中，時域信號脈沖沿著樹突傳播，然后獨立到達神經(jīng)元體，并在其內(nèi)部的時間和空間中被整合（一些激發(fā)、一些抑制）。當神經(jīng)元體被觸發(fā)時，它就會在軸突上產(chǎn)生一系列依賴時間的脈沖，這些脈沖在分支時分裂，并需要時間到達突觸。當化學神經(jīng)遞質(zhì)信號經(jīng)過突觸并最終觸發(fā)突觸后樹突中的信號時，突觸本身就表現(xiàn)出非線性、延遲、依賴時間依賴的整合。在這一過程中，如果兩邊的神經(jīng)元在一定的時間間隔內(nèi)一起點燃，也就是學習過程中的突觸即學習，即學習，就會得到加強。我們可能永遠無法在硬件或軟件中完全復制真實生物神經(jīng)元的所有電化學過程，但是我們可以尋找足夠復雜的模型來代表我們的尖峰人工神經(jīng)網(wǎng)絡中需要的許多有用行為。

這將讓我們更像人工智能，因為真正的大腦從信號通過神經(jīng)元、軸突、突觸和樹突的傳遞，獲得了更多的計算、感官處理和身體控制能力，從而在復雜的依賴時間的電路中穿行，這種復雜的電路甚至可以有反饋回路，以制造定時器或振蕩器等電路，類似于可重復的級聯(lián)模式激活的神經(jīng)回路，向肌肉/致動信號的群體發(fā)送特定的依賴模式。這些網(wǎng)絡也是通過直接加強神經(jīng)元之間的聯(lián)系來學習的，這些被稱為Hebbian學習。為了進行更復雜的人工智能和決策，它們比我們在上面的例子中使用的CNNs、靜態(tài)的RNN甚至是深度強化學習都要強大得多。

但是有一個巨大的缺點——目前還沒有一種方法可以把這類網(wǎng)絡安裝到數(shù)據(jù)上來“訓練”它們。沒有反向傳播，也沒有調(diào)整神經(jīng)元之間突觸權重的梯度下降操作。突觸只是增強或減弱，因此尖峰神經(jīng)網(wǎng)絡在運作的過程中學習，使用Hebbian學習來進行操作，這在實踐上可能有效訓練我們的合成網(wǎng)絡，因為他們首先必須結構正確，以達到一個有用的解決方案。這是一個正在進行的研究領域，在這一領域的突破可能是非常重要的。

我認為，如果我們可以開始解決這些問題，走向更加功能性更強的神經(jīng)結構，更加充分地展示大腦、神經(jīng)系統(tǒng)和真正的神經(jīng)元的工作和學習方式，我們就可以開始將今天使用的那種單一的、更靈活的深度學習方法整合到這些功能更強大和靈活的架構中，這些架構以更優(yōu)雅的設計來處理多種功能。而且通過這些模型，我們將開啟新的神經(jīng)計算形式，我們將能夠?qū)⑺鼈儜玫接嬎銠C視覺、機器人運動控制、聽覺、言語，甚至是更像人腦的認知等任務中去。

簡單總結一句話：“我們還沒有達到人類層面的認知?！?/strong>