👝 🌅 👨🏾‍🎤 麻省理工学院的研究人员教神经网络推理 ✨ 💃🏿 🧕🏿

最近，神经网络在许多应用中都表现出色。他们在数据中寻找用于分类和预测的模式。具有明显易用性的神经网络可以识别数字图像中的对象，或者通过“阅读”一段文本来概括其主题。但是，没有人能说出输入数据经过了哪些转换以获得一种或另一种解决方案。甚至网络的作者都拥有输入数据和输出信息。而且，如果我们考虑视觉数据，有时甚至可以使实验自动化，以找出神经网络响应的图像成分。而对于文字处理系统，该过程更加复杂。用机器理解人类语言的困难是什么，您可以在下面阅读。

在麻省理工学院CSAIL信息学和人工智能实验室，神经网络研究人员已经使 “虚拟大脑”除了提供解决方案外，还提供其原理。他们同时训练了一个神经网络的两个模块。培训的数据为文本摘录。结果令人高兴：在95％的情况下，计算机都像人一样思考。但是，在开始积极使用神经网络的新方法之前，将需要进行其他配置和完善。

为什么图片比文字容易处理？是否可以自由驾驶无人驾驶的车辆，是否可以用编程的智能代替在世的医生，而在神经内部有无数的神经元？这是否使我们更接近现实生活中的有意识机器？神经网络的计算机模型的行为与人脑的行为相同，但是到目前为止，它们尚未被允许做出影响人们生活的决策。为了改变这一点，专家们需要时间，现在我们可以找出神经网络如何达到最终值。

有时，在实际应用程序的世界中，人们想知道为什么机器做出了这样的预测，而没有做出其他任何预测。医生不信任AI决策的主要原因是缺乏有关决策过程的信息。这也适用于其他领域-做出错误预测的代价很高的任何领域。因此，每个人都需要证据和保证。最有可能的是，实际上一切都更加广泛：您不仅要确认预测模型的正确性，而且要找出如何通过分析影响正在发生的事情。普通人如何理解受未知算法训练的复杂模型。这些算法可以讨论特定解决方案的合理性。在Giktayms已经问一个问题，关于这个问题的。现在我们可以做出积极回应。

神经网络-什么？

“人工神经网络”的名称表明这些结构的行为大致类似于人的大脑结构。这种网络的组成单元是一个处理节点，它像神经元一样，本身可以执行简单的操作。当许多节点组合成一个庞大的网络时，才有力量。大多数未知的工作都发生在神经元中。就是这个-黑匣子。可以找到输入和输出数据。在训练期间，各个节点执行的操作会不断变化，以便在整个训练示例集中获得良好的结果。在过程结束时，网络程序员不知道当前配置了哪些节点。即使有这些数据，也很难理解这些底层信息，以便能够将其转换为人们可以理解的语言。

在深度学习过程中，数据进入网络的输入节点，对它们进行转换并将其传输到后续节点。最后的动作重复很多次。当值到达网络的输出节点时，该过程停止。信息与进行培训的数据区域相关。它可以是图像中的对象或文章的主题。

流程如何透明化

为了了解神经网络如何做出决策，研究人员决定对文本数据进行训练。在研究所的实验室中，一组专家将创建的网络分为两个部分。一种是从训练数据中提取文本片段，然后按长度和顺序对其进行评估。段落越短，由连续单词组成的行所占的比例越高，则得分越高。

在第二部分中有进一步的段落。神经网络的第二部分预测了段落的主题或试图对文本进行分类。对于测试，我们使用了啤酒评级网站上的在线评论。一个科学家网络试图根据诸如香气，味道，外观和书面评论等因素对啤酒进行五星级评级。在对系统进行训练之后，研究人员发现他们的神经网络可以评估香气和外观以及真实的人：分别为95％和96％。根据口味的更主观的特征，神经网络在80％的情况下与人“同意”。

一起对模块进行了培训，培训的目标是最大程度地评估选定的细分并提高预测或分类的准确性。

下图显示了一个啤酒评论的示例，该评论分为两个类别。如果第一个子网选择了这三个词组，而第二个子网将它们与正确的评分相关联，则系统会以同一人的身份进行判断。研究人员还测试了基于免费问题和答案的数据库的神经网络。问题是以前是否已经给出具体答案。

科学家将这种方法应用于乳腺癌病理学检查的成千上万次。分析文字和图片。

机器理解人类语言的困难是什么？

“如果您不理解这个问题，很难回答。” Spock的父亲Sarek在《星际迷航4：返乡》中。

自然语言处理是人工智能的领域之一。我们的观点以及对世界的广泛了解以及对上下文的理解都会影响我们甚至最基本的语法结构的感知方式，将单词连接为有意义的短语和句子。

我将以埃里克·西格尔（Eric Siegel）的书“计算未来”中的示例进行说明。例如，诸如印度，牛奶或您的短语。句子中每个类似的部分都可以扮演不同的角色，具体取决于短语前后出现的单词。具体定义将基于对单词的含义以及它们所调用的真实事物的理解。

1.“时间像箭一样飞逝。”
2.“水果像香蕉一样飞。”

如果某人不了解这些英语语言难题，请尝试以几种方式自己翻译句子。

时间像箭一样飞逝。
时光流逝喜欢某种箭。
在测量箭头速度的同时测量苍蝇的速度。

水果像香蕉一样飞翔。
果蝇爱香蕉。

相同的借口可能意味着不同的事情。尤其是介词WITH。

“我吃了水果稀饭。” 我吃了水果粥，这是菜的一部分。
“我用勺子吃早餐。” 我用勺子吃早餐，这是一种工具。
“我和妈妈一起吃早餐。” 我和参加活动的妈妈一起吃早餐。

神经网络的使用

分类任务。这仅仅是对模式的搜索，面部识别。

预测任务。用户在某些情况下的行为。例如，银行在决定赠款时计算偿还贷款的可能性。他们还检查贷款成本，以便在最佳时间将其转售给其他银行。机器学习的应用领域：安全性，商店中的消费者行为，打击犯罪，市场营销，政治，选举，教育，心理学和人力资源管理。

在每个主题领域中，通过仔细检查，都可以找到神经网络的问题陈述。这是解决这些问题现在具有实际重要性的各个领域的清单。我带一些。

在金融领域，神经网络可以预测汇率，原材料成本（时间序列），帮助进行交易所的自动交易，预测破产的可能性以及确定塑料卡交易的安全性。在医学领域，他们进行诊断，处理图像，监视患者状况，分析处方治疗的有效性。神经网络识别雷达信号，适应受损飞机的驾驶，压缩视频信息，优化蜂窝网络，以电子助手（Cortana，Siri）的形式与我们交谈，过滤和阻止垃圾邮件，帮助配置有针对性的广告。在生产过程中，它们能够防止紧急情况并控制产品质量。在机器人技术中-他们为机器人的运动奠定了路线，控制操纵器。

对于安全专家和安全系统而言，极大地简化了工作-在这里，神经网络通过指纹，声音，签名和面孔来识别个人。对于地质学家而言，网络分析地震数据并使用关联技术搜索矿物。

医学如何能够依赖未经证实的神经网络决策？但是，是否有可能总是将人，他的思想与情感混合在一起的决定在特定情况下总是绝对正确的？当然，有医生的佣金，但是不能总是收取。因此，在我们并非总是基于证据的医学中，受过专门训练的人们仍在做出决策。人为因素，针对人工智能可能出现的假阳性的医疗错误。也许事实是，在机器的情况下，没有特定的有罪的人吗？..在人的本质上-寻找答案，证明自己的决定并为自己的决定辩护。当一个人知道谁是罪魁祸首时，总是比较容易。

路上也一样。机器压倒一个人是不可原谅的，就像另一个人违反规则造成伤害一样，这是不可原谅的。有罪的人总是受到客观的惩罚吗？道德问题将永远存在。可能没有一个普遍的答案。当宝马或谷歌自动驾驶汽车成为城市街道上的日常活动时，人们将承担机器风险。尽管在某些情况下，死亡是由驾驶计算机造成的，但由于有了机器人，事故和受害者的总数将大大减少。

最重要的是道德。神经网络正在与生产具有自治权的汽车的公司作战。问题：当两个孩子在交叉路口向他面前打球时，自动驾驶仪应该怎么做。谁应该受到危险：儿童或汽车乘客故意违反规定（！）。
此示例类似于经典的道德任务，在该任务中，您是交通箭头的操作员，在一条路径上是一群人，而在另一条路上是一个人。该决定对受害者及其亲属永远是不公平的，并挽救了其余的人。尽管以此价格生存的人们可能也不会高兴。

进化脑相似

有神经达尔文主义的概念。它包括一种自动加载机制，该机制可处理环境与大脑之间的反馈。即使是最简单的神经网络计算机模型，如果被编程为删除不利于生存的配置并复制有益的配置，那么它们也将在短时间内达到惊人的复杂度。我在说什么？现实世界中没有以自我毁灭为目标的建筑。任何生物都被编程为生命。还有神经网络。在我们看来，即便如此，像果蝇这样的简单生物在大脑中仍具有复杂的连接系统。您一开始在图像中看到的就是她的大脑。

人脑如何处理图像

根据丽塔·卡特（Rita Carter）的说法，在“大脑如何工作”一书中，关于我们认识的人的脸的信息存储在大脑中，作为特殊的神经网络（人脸识别单位）存储。当我们看到新图像时，通过扫描ERL将其与我们的经验进行比较。如果存在连接，则该ERL将变为活动状态并连接到最后看到的图像。无论是在街上看到新图像还是由人脑独立生成，大脑的行为方式都相同。意识越常指代存储的图像，相应的神经网络越活跃。不必要的网络会随着时间的流逝而崩溃。这就是我们所说的“完全被遗忘”。

意识

为什么我要与人脑进行类比？也许不仅仅是信任计算机神经网络？也许这是一个理解和接受的问题。是的，与机械计算机不同，另一个人作为被我们完全接受为“我们的”的生物，将以我们理解的方式解释和证明任何决定。如果他在说谎？如果他患有精神疾病？细微之处无处不在。机器没有意识，这意味着不存在道德问题-它们总是更加客观和公正。但是研究人员不能只将它们留在某些领域，例如创建最佳的国际象棋组合，设计复杂的系统，因此，我们人们也需要适应。虽然很难。以及感受到机械和情感之间的任何界限。但这就是未来过去的科幻小说中所描述的小说早已成为我们的日常生活。

因此，在理解人机对方面又迈出了一步。我想引用牛津大学数学教授罗杰·彭罗斯（Roger Penrose）的话。

了解需要意识。理解的幻想来自对大量数据的综合处理。计算和理解是相辅相成的。

“我相信，为了解释理解，我们转向具有量子世界的新物理概念，该量子世界的数学结构在很大程度上是未知的。”

彭罗斯说，理解会产生大脑组织的特定组成部分。

“人体中有微管，尤其是神经细胞中有很多。”

这位科学家提议调查微管是否可能产生稳定的量子状态，该状态结合整个大脑的细胞活动并产生意识。这种状态的计算机模拟是不可能的。

麻省理工学院的研究人员教神经网络推理