關於人工神經網絡的哲學思考

2020-11-23 中國社會科學網

　　The Philosophic Significance about the Artificial Neural Network ——With the Theory of Self-organization about ANN

　　LI Yong-jian Tu Feng-sheng (Department of Computer and Systems Science,Nankai University,Tianjin300071,China)

　　作者簡介：李勇建(1973-)，男，山東省菏澤市人，博士研究生，主要研究方向為計算機控制與管理，DEDS理論及其在製造與通信系統中的應用；南開大學 自動化系，天津 300071 塗菶生(1937-)，男，江西省南昌市人，主要研究方向為線性系統理論、離散事件動態系統、計算機集成製造系統、製造系統理論及優化，天津市授銜自動控制專家，教授，博士生導師。南開大學 自動化系，天津 300071

　　原發信息：  (京)2000年第02期 第25-28,53頁

　　內容提要：本文在簡單介紹人工神經網絡的研究成果的基礎上，探討了人工神經網絡的自組織功能，並運用馬克思主義的基本原理和方法，從普遍聯繫、整體與部分的關係及結構和功能的關係三方面論述了人工神經網絡的哲學意義。

　　The achievement of research in the Artificial Neural Network(ANN)is introduced,the self-organization of ANN is required.And the philosophic significance about ANN is discussed in the general contact,the relationship between the entire and part,and the relationship between the structure and function.

　　關鍵詞：人工神經網絡(ANN)/自組織理論/普遍與聯繫/結構與功能/Artificial Neural Network(ANN)/Self-Organization/PhilosophicSignificance of ANN

　　標題注釋：基金項目：國家攀登計劃基金（項目號：970211017）；國家自然科學基金（項目號：69674013）資助課題。

　　1 引言

　　近年來，人工神經網絡(ANN)以特有的信息處理能力和獨到的解算能力引起人們極大的關注，呈現出廣闊的應用前景。ANN是一種模仿人類神經系統的數學模型，它採用了大量簡單的處理單元即神經元來處理信息。在ANN中，神經元按層次結構的形式組織，每層上的處理單元都以加權的方式與其它層上的處理單元相連接。ANN能夠實現非線性映射，具有較強的自組織特點。所謂「自組織」，指的是這樣一種行為和過程，即在沒有從外部環境輸入特殊信息（組織指令）的條件下，系統自發地形成一種新的整體結構。

　　與傳統的人工智慧不同，ANN基於並行處理機制從結構上對人類的思維過程進行模擬，從而能實現人類思維的某些功能，如自學習、邏輯推理、聯想記憶和自組織性。馬克思指出，撇開事物的總體聯繫去把握事物，就「堵塞了自己從了解部分到了解整體、到洞察普遍聯繫的道路」。ANN的興起和飛速發展，對當代系統科學提出了許多尖銳的問題。例如，系統內部的普遍聯繫問題、整體與部分的關係問題及結構與功能的關係問題等。因此，運用馬克思主義的立場、觀點和方法，從哲學系統論的角度探討ANN的哲學意義具有重要的理論價值和實用價值。

　　2 人工神經網絡(ANN)的產生和基本特點

　　(1)人工神經網絡(ANN)的產生和發展

　　早在1943年，心理學家麥克庫洛奇(McCulloch)和數學家庇茨(Pitts)合作提出了形式神經元的數學模型（稱之為MP模型），從此開創了計算神經科學理論研究的時代。1944年，希伯(Hebb)從條件反射的研究中提出了Hebb學習規則。到50年代末，以羅森布拉特(Rosenblatt)提出的感知器為代表，形成了ANN研究的第一次高潮。1969年明斯基(Minsky)和帕波特(Papert)的《洞察力》(Perception)一書出版，在大量數學分析的基礎上，指出了感知器的局限性，從而導致了神經網絡研究的降溫。到70年代，僅有少數學者還致力於神經網絡的研究。

　　進入80年代，國際上再次掀起了ANN的研究熱潮，並取得了一大批引人矚目的成果。1982年，物理學家霍普菲爾德(Hopfield)提出了HNN模型，從而有力地推動了ANN的研究；辛頓(Hinton)和賽伊諾斯基(Sejnowski)採用多層網絡的學習方法，提出了波爾茨曼(Boltzman)機模型，來保證整個系統趨於全局穩定點；魯莫拉特(Rumelhart)和麥克雷蘭(McClelland)等人提出了PDP（並行分布處理）理論，並發展了多層網絡的BP算法（反向傳播學習算法），它是迄今為止最普遍的網絡，可用於語言綜合、自適應控制等；1988年美國加州大學的蔡少堂(L.O.Chua)等人提出了細胞神經網絡模型，它是一個大規模非線性模擬系統，同時具有細胞自動機的動力學特徵。

　　ANN的研究引起了美國、歐洲與日本等國科學家和企業家的巨大熱情，腦科學、心理學、認知科學、計算機科學、哲學等不同學科的科學工作者正在為此進行合作研究。新的研究小組、實驗室和公司與日俱增。美國星球大戰計劃、歐洲尤裡卡計劃都將神經網絡計算機作為重大研究項目，有關神經網絡的國際會議頻繁召開。ANN理論已經在以並行處理機制為基礎的第六代計算機，在專家系統、圖象識別以及智能控制等領域得到了應用。

相關焦點

  • 科技:人工神經網絡的進步
    這些重大新故事中的一些與人工神經網絡有關，人工智慧研究中的一個相對較新的現象正在推動從娛樂到醫學等許多領域的各種進步。人工神經網絡依賴於這樣的思想：技術可以使用對應於個體人類神經元和神經元組的小單元來模擬人類大腦的生物學工作，以基於輸入產生輸出。
  • 對人工神經網絡「開刀」,利用神經科學消融法檢測人工神經網絡
    「許多關於大腦功能的見解看法都是通過消融研究獲得的，本質上來說，消融即選擇性地切除或破壞大腦特定區域的組織，以可控的方式進行消融，檢測大腦該部分對諸如言語生成、運動等日常工作的影響。」在此之前，消融已經被應用在一些人工神經網絡的研究中，但這些研究主要關注於調整神經網絡層和改變其結構，因此更像是參數搜索而不是生物學的消融法。
  • 人工神經網絡的定義
    人工神經網絡的定義 　　人工神經網絡（ Artificial Neural Networks， 簡寫為ANNs）也簡稱為神經網絡或稱作連接模型，是對人腦或自然神經網絡若干基本特性的抽象和模擬。
  • 人工神經網絡及其應用
    1 人工神經網絡的發展歷史及其意義1.1 人工神經網絡的發展歷史神經網絡的發展可以追溯到19世紀末，其發展可以分為四個階段。第一個階段為啟蒙階段，始於1890年美國心理學家 William James發表的第一部關於詳細論述人腦結構及功能的專著《心理學原理》，對於相關學習、聯繫記憶的基本原理做了開創性研究。半個世紀後，生理學家 W.s.McCulloch和數學家W.A.Pitts於1943年發表了一篇神經網絡方面的著名文章。
  • AI的人工神經網絡
    人工神經網絡是模擬人和動物的神經網絡的某種結構和功能的模擬，所以要了解神經網絡的工作原理，所以我們首先要了解生物神經元。其結構如下圖所示：   而人工神經網絡的基本原理也就是對生物神經元進行儘可能的模擬，當然，以目前的理論水平，製造水平，和應用水平，還與人腦神經網絡的有著很大的差別，它只是對人腦神經網絡有選擇的，單一的，簡化的構造和性能模擬，從而形成了不同功能的，多種類型的，不同層次的神經網絡模型。
  • 初識人工神經網絡
    這也就是神經網絡的魅力所在。人工神經網絡（artificial neural networks) 是一種模仿生物神經網絡行為特徵，進行信息處理的算法數學模型。在人工神經網絡模型中使用單元節點模擬神經元，通過調整神經網絡內部大量節點（神經元）之間相互連接的權重來達到處理信息的目的。
  • 人工神經網絡初學:是什麼以及為什麼?
    【IT168 技術】談及人工智慧，就會涉及到人工神經網絡。人工神經網絡是現代人工智慧的重要分支，它是一個為人工智慧提供動力，可以模仿動物神經網絡行為特徵，進行分布式並行信息處理的系統。
  • 深度|人工神經網絡深入分析
    文章從神經網絡談到了人工神經網絡，並對此進行詳細的介紹。最近「神經網絡」非常火，特別是AlphaGo與韓國選手李世石的比賽落幕後，各種關於神經網絡的文章滿天飛，但可能對於非專業領域出身的人來說接觸這些文章就會雲裡霧裡了。究其原因主要是缺少適合大部分人理解的神經網絡的科普文章，其實吳軍老師的《數學之美》在科普神經網絡這方面做的就比較通俗易懂，感興趣的朋友可以去讀一下吳老師的書。
  • 什麼是人工神經網絡(ANN)?
    每天使用神經網絡的應用程式有很多，例如Google的翻譯服務，Apple的Face ID iPhone鎖和Amazon的Alexa AI驅動的助手。神經網絡也在其他領域的一些重要人工智慧突破背後，例如診斷皮膚和乳腺癌，讓目光投向自動駕駛汽車。人工神經網絡背後的概念和科學已經存在了數十年。
  • 無處不在的人工神經網絡:機器人擁有意識的關鍵
    與此同時，關於「機器人是否會有意識」的話題也漸漸受到人們的關注，一部分人認為未來的機器人將會擁有自我意識，還有一部分人則認為這是一個難以完成的任務。說到「意識」的問題，人類之所以有意識，關鍵還是在於「生物大腦」存在。以此作比，機器人要想有意識，就得先有一個「大腦」，也就是所謂的「人工神經網絡」。
  • 人工神經網絡發展歷程及特點
    人工神經網絡ANN簡稱為神經網絡或類神經網絡。深度學習實際上是深度神經網絡DNN，即深度學習從人工神經網絡ANN模型發展起來的，因此有必要對人工神經網絡ANN作進一步探討。＾＿＾ 最近十幾年來，人工神經網絡ANN的研究工作不斷深入，已經取得了很大進展，其在模式識別、智慧機器人、自動控制、預測估計、生物、醫學、經濟等領域已成功地解決了許多現代計算機難以解決的實際問題，表現出了良好的智能特性。 那麼究竟什麼是人工神經網絡ANN呢？
  • 人工神經網絡與腦控計算機是什麼?
    而後來，隨著生物神經學的發展，電腦工程師們開始更多的借鑑人類大腦的神經元工作方式，並且希望構築出一臺類似人類大腦的超級計算機，因為計算機相比人類的大腦依舊是遠遠不足，人類的大腦是全世界目前已知最精密的儀器，縱橫交錯的神經元在大腦中密布，它們分別擁有記憶、存儲、思考、運算等多個功能，甚至還具備內部的免疫系統來自動修復。
  • 人工神經網絡的特點有哪些
    人工神經網絡的特點和優越性，主要表現在三個方面： 第一，具有自學習功能。例如實現圖像識別時，只在先把許多不同的圖像樣板和對應的應識別的結果輸入人工神經網絡，網絡就會通過自學習功能，慢慢學會識別類似的圖像。自學習功能對於預測有特別重要的意義。
  • 百度大腦這樣思考:模仿人類大腦神經網絡
    原標題：百度大腦這樣思考：模仿人類大腦神經網絡 　　巴西世界盃足球賽激戰正酣，有爆冷出局的，也有意外晉級的。本屆比賽雖然沒有了「預言帝」章魚保羅，但是預測比賽結果已經有了新工具——能夠分析數據、學習思考的人工智慧。
  • 人工神經網絡的五大主要應用場景
    人工神經網絡是一種嘗試，模擬組成人腦的神經元網絡，這樣計算機就能像人一樣學習事物並做出決策。人工神經網絡是通過對普通計算機進行編程而產生的，使它們的行為類似於人類的相互連接的腦細胞。人工神經網絡是受人腦啟發的計算模型。人工神經網絡最近的許多進展都是在人工智慧領域取得的，包括語音識別，圖像識別，以及基於人工神經網絡的機器人。
  • 人工神經網絡研究的發展歷程及重要特性
    人工神經網絡研究的先鋒麥卡洛克和皮茨曾於1943年提出一種叫做「似腦機器(mindlike machine)」的思想,這種機器可由基於生物神經元特性的互連模型來製造,這就是神經學網絡的概念。他們構造了一個表示大腦基本組成部分的神經元模型,對邏輯作業系統表現出通用性。
  • 盤點人臉識別中的黑科技——人工神經網絡
    我們的大腦可以用來識別面孔，我們也很少停下來思考它的運作方式，但是當大腦參與這種識別時，其中發生的事情還遠未被理解。他們決定將人臉識別系統與具有相似面部識別能力的深度神經網絡進行比較。這種人工網絡，受人類視覺系統的啟發，包含類似於神經元的人工元素，排列在幾十個「層」中。為了識別人的面部，每個層中的人工神經元選擇和組合不同的面部特徵——從最簡單的線條和原始形狀，通過更複雜的部分，如眼睛和其他面部碎片，到像人的身份這樣的決定性的。
  • 陳根:人工神經網絡成就AI小白鼠,試毒不再愁
    目前最為先進的人工智慧可以說就是人工神經網絡，人工神經網絡是仿生學的一個概念，是一類由多層神經元互聯組件構成的機器學習算法，而「神經元」最早就是來自大腦結構的啟發。儘管人工神經網絡中的神經元的工作方式肯定不同於實際人腦的工作方式，但越來越多的研究者認為，將二者放在一起研究不僅可以幫助我們理解神經科學，還有助於打造出更加智能的AI。
  • 大腦與AI,神經科學與人工神經網絡
    神經科學可以幫助我們理解為什麼AI和神經網絡在預測人類感知方面是有效的嗎？來自德克薩斯大學奧斯汀分校（UT Austin）的Alexander Huth和Shailee Jain的研究表明兩者都有可能。
  • 你的大腦與人工神經網絡有本質區別嗎?答案令人驚訝!
    經過幾十年的開發，研究人員創建了深層神經網絡，在特定的任務達到甚至超過了人類的表現。 但是，用於深度學習的人工神經網絡是否類似於我們大腦中的生物神經網絡？這個問題困擾著無數人工智慧的研究者。 許多人認為人工神經網絡是對大腦結構的粗略模仿，人工神經網絡只是個統計推理引擎，大腦的許多功能都沒有。