人工智能已然渗入我们生活的每一个角落。当下我们所使用的绝大多数人工智能产品背后，都有一项至关重要的技术作为支撑——人工神经网络。颇为有趣的是，人工神经网络在诞生初期并不被看好，甚至遭受了长达二三十年的冷遇。本期，我们就一同来探寻人工神经网络背后的故事。

在计算机刚刚问世之时，人们对其寄予了诸多美好的期望，渴望它能够代替人类进行思考，成为人类的“第二大脑”。当时主要存在两种想法：一种想法认为，人类的推理，诸如因果关系、三段论、归纳推理等，都可以转化为相应的数学符号形式。

所以，只要让计算机掌握这些符号推理背后的规律，便能够模拟人类的思考。这一想法是人工智能领域中符号学派的代表观点，他们强调知识库与逻辑推理。而另一种想法则是，我们需要模拟人类大脑的基础结构，进而实现对人类思考的模拟。这是人工智能领域另一个重要学派，连接学派的主要观点。

模拟人类的思考

人类大脑实际上是由众多的神经元细胞构成的，每个神经元所进行的操作都较为简单，例如接收信息、进行加工处理以及输出新的信息。模拟一个神经元并非难事。由此推论，在计算机中建立起大量的神经元，使其形成一个类似大脑的网络，不就能够模拟人类复杂的思考了吗？

基于这个思路，1946年，沃伦・麦卡洛克和沃尔特・皮茨两位科学家提出了人工神经网络的概念。1956年，第一个人工神经元应运而生。这个神经元被称为感知器，能够根据输入的信息作出简单的判断。

沃伦・麦卡洛克和沃尔特・皮茨

让我们通过一个例子来看看它是如何工作的。假如我们要判断一个苹果的品质是好还是不好，会考虑哪些方面的问题呢？比如大小、颜色、香味、甜味等方面。将这几个方面的评分输入感知器，它就能够根据评分给出判断。当然，感知器能够为不同的特征赋予不同的权重。比如大小相对没那么重要，可以赋予0.4的权重；颜色好看比较重要，赋予0.6的权重；气味和甜味都很重要，分别赋予0.8和0.9的权重。

依据不同特征赋予不同的权重

经过计算，感知器就能迅速完成对苹果好坏的判断。但这样的感知器模型过于简单，只能进行一些简单的分类。当时的人们并不认为它能帮助计算机实现真正的思考。人工神经网络由此陷入寒冬期。在此期间，人们尝试增加神经网络中的层数。例如在前面评价苹果的例子里，可以增加几个隐藏层，有的隐藏层更多地考虑外观，提高大小和颜色的权重；有的隐藏层着重考虑味道。人们期望通过这种方式让神经网络作出更好的判断，但这依然没有改变神经网络受冷落的命运。

直到二十世纪七八十年代，反向传播算法出现，人工神经网络才一下子突飞猛进。那么，什么是反向传播算法呢？我们继续以苹果分类为例来看一看。假如把某个苹果的几项参数输入进去之后，神经网络给出的结果是好苹果，但实际上我们认为这是坏苹果。通过反馈，我们把正确的结果告诉神经网络，神经网络会进行自我反思，调整各项权重，直到输出正确的结果。我们将这种倒推并调整权重的过程称为反向传播。

有了反向传播算法，人工神经网络就能够不断地自我调整优化，得出更加可靠的结论。再配合先前增加隐藏层的步骤，神经网络就能处理非常复杂的问题了。

反向传播算法

随着人工神经网络的不断发展和完善，它开始在我们的生活中发挥出巨大的作用。如今，我们习以为常的各种便利都离不开人工神经网络的贡献。比如，手机APP可以从我们的历史数据中学习，通过人工神经网络分析我们的兴趣爱好，为我们寻找可能感兴趣的视频。自动驾驶汽车则利用人工神经网络，根据大量的图片训练，认出哪里是道路，哪里是行人，从而实现安全的自动驾驶。语音助手也通过神经网络识别出人们说话的意图，为我们提供便捷的服务。

技术的发展往往出人意料，谁都没有想到一项被冷落了几十年的技术竟然能够起死回生，并在我们的生活中发挥如此重要的作用。未来，随着技术的不断进步，人工神经网络必将继续发挥更大的作用，为我们的生活带来更多的惊喜和便利。

【文本来源@科普中国的视频内容】