神经网络为何无法实现人类的推理并产生意识？

前不久，据华尔街日报报道， Uber在一宗无人车的测试过程中，造成了一名行人死亡的严重交通事故，除此之外，环顾我们身边，苹果手机的虚拟个人助理Siri有时会无法识别我们在说什么；某些人脸识别支付应用也存在着一些安全问题。这些事件反映出来的一个情况是，目前的AI似乎并没有足够的智能，甚至并无法很好地处理从外界获取的信息。

人脑中的神经网络是一个非常复杂的组织，成人的大脑中约有1000亿个神经元，人类至今仍在探索人脑的工作原理。而人们通过对生物神经元的研究和理解，构建了一个模拟人脑的计算模型：人工神经网络！

那么，人工神经网络是什么？人类通过构造神经网络，能否给AI赋能，使之自我进化？

什么是神经网络？

简单来说，神经网络是一种模拟人脑的计算架构；利用神经网络进行机器学习，则让计算机不再只是执行命令的机器，而是具有了一定程度上分析判断的能力。当然，这个能力也离不开海量的数据和高超的计算能力。

一个经典的神经网络一般包含三个层次：输入层、隐藏层和输出层。而这三个层分别模仿的是神经元的树突、轴突和轴突末梢。输入层接收外部的输入数据，比如图片、文本、语音等，通过，隐层抽象数据的通用模式，进而通过输出层输出模型的计算的结果。

历史上，科学家还设计过多层的神经网络，每一层都会对前一层传来的结果进行再次加工，目的是模拟出一种“深思熟虑”的感觉，但最后发现结果准确度并没有提高，有的时候还会陷入误区，就像人容易朝着一个思路越陷越深，最后钻牛角尖了一样。随着技术进步，让这一问题得到改善。现在，最厉害的神经网络技术不但已经非常接近人脑，还排除了很多人脑自身存在的低效的思维方式。

柯洁在与AlphaGo大战后，在接受腾讯体育记者的采访时表示，“我也不敢想象，它居然可以把棋下得那么强硬，撑得那么满，好像好多块棋扭在一起，那是人类擅长发挥的地方了。跟它下棋会发现它处理得好像比我们人类还好很多，其实那一刻是很绝望的。甚至是那些研发它的人也不知道是怎么做到这一点的，研发它的人是下不过它的，很多人甚至不懂棋，居然能创造出这么一个怪物。所以，我唯一能感受到的是它对形势的乐观和自信，而且是绝对的乐观和自信，这一点人类是没有的。再自信也不会像它那么自信，无论你验证多少次，它都是不可战胜的。”

神经网络为何无法实现人类的推理并产生意识？

“机器人是否具有意识”一直是人们所争论的焦点之一，而在这其中，人工神经网络的技术发展起着重要的作用。对当前的人工神经网络而言，解决某些特定场景的问题，特别具有优势，但解决人们习以为常的问题却非常困难。比如，MIT媒体实验室研究员joy buolamwini研究文章称，人脸识别技术针对不同种族的准确率差异巨大，其中针对黑人女性的错误率高达35%！

中国工程院院士郑南宁指出，人工智能研究的一个重要方向，是借鉴认知科学、计算神经科学的研究成果，使计算机通过直觉推理和经验学习，将自身引导到更高的层次。然而，人脑对真实世界的理解、非完整信息的处理、复杂时空的任务处理能力是当前机器学习无法比拟的，还有人的大脑神经网络结构的可塑性，以及人脑在非认知因素和认知功能之间的相互作用，都是很难以形式化、公式化的描述。

神经网络是怎么应用到各领域的？

神经网络虽然缺乏人类解决问题的强大理解能力，但却可以通过海量的计算从大量的数据中找到一些通用的模式。因此它们作为辅助工具，已经在各行各业，尤其是在多媒体领域体现了自身的价值。

手写数字识别应该是神经网络最早的商业应用之一。大部分的人都可以轻松识别下图中的手写数字，但要设计一套计算机程序来识别这些数字，就会发现视觉模式识别的难度。而神经网络的思想是，利用大量的手写数字，即训练样本，从中自动学习到识别各个数字的规则。而且随着样本数量的增加，神经网络可以学习到更多信息，从而可以进一步提升准确度。目前最好的商用神经网络已经足够好到能被银行用来处理支票，以及被邮局用来识别地址。

MNIST手写数字数据集一览

手写数字或许有些过于简单，那么使用神经网络发现地外行星，就更能显示它的能力了。谷歌和得克萨斯大学奥斯丁分校合作，利用上万颗被标记的恒星数据，训练了一个卷积神经网络，训练结果显示，神经网络判别行星的准确率高达96%。然后，研究人员让这个神经网络处理2009年到2013年观测到的670颗恒星的数据集，通过微小的特征变化，发现了两个星系存在地外行星的可能性非常高。经过研究人员的验证，确认了这两颗新的行星。

神经网络发现的开普勒-90星系与太阳系的对比

近日，美国FDA首次批准了用于检测糖尿病视网膜病变的人工智能产品：IDx-DR。这次FDA评估了来自10个初级卫生保健点的900名糖尿病患者的视网膜临床研究图像数据，IDx-DR能够正确识别轻度以上糖尿病性视网膜病变的准确率为87.4%，而正确识别没有轻度以上的糖尿病性视网膜病变的准确率为89.5%。

在目前比较火热的无人车领域，虽然各大厂商还在研究测试通用的解决方案，但在一些具体的案例上已经有了一些成果。图森未来使用自主研发的深度学习感知算法，能够做到让摄像头像人眼一样实时感知行车周边环境，检测和跟踪视野中的各种物体，能够对可视场景进行像素级的解读。凭借视觉高精度定位和多传感器融合技术，能够实现高速公路上的无人驾驶，帮助货运企业降低成本，加快货运周转。

总之，神经网络在不断地影响着生活、医疗和出行，但科研界对它有更多理性的看法。伯克利大学机器学习专家Michael I. Jordan认为，计算机科学仍然是最首要的学科，人工智能还无法取而代之，而神经网络只是该领域中仍在发展中的一个部份。

“现在要问神经网络会把我们带多远还为时尚早。”最看好神经网络发展前景的专家题讨论成员——OpenAI共同创办人兼研究总监Ilya Sutskever表示，“这些模型很难理解。例如，将机器视觉作为一种程序真的很不可思议，但现在我们对不可思议的问题都能提出不可思议的解决方案了。”

无论如何，我们目前正处理人工智能对社会的变革过程中，它们已经从实验室过渡到了商业部署。无疑，广泛的工业领域将受到庞大的数据和数据分析功能的深远影响。尽管神经网络还无法实现基本的人类推理和理解力，但它们将是建构人工智能漫漫长路上所用到的重要工具之一。

虽然现在神经网络还无法产生意识，但随着信息科学、认知科学、神经生物学、心理学等前沿学科和交叉学科的深度融合与不断发展，人工智能将会迎来新的发展高潮。