《人工智能》读后感1300字

很多人都是从AlphaGo开始认识到人工智能的，事实上，在AlphaGo攻克围棋领域之前，人工智能还与人类在棋类游戏上有两次交锋，一次是1962年的西洋跳棋，另一次是1997年的围棋。这三盘棋在时间上大致对应了人工智能的三次热潮。
图灵测试与第一次人工智能热潮
图灵在论文中提出了著名的图灵测试：假如有一台宣称自己会“思考”的计算机，人们该如何辨别计算机是否真的会思考呢？一个好方法是让测试者和计算机通过键盘和屏幕进行对话，测试者并不知道与之对话的到底是一台计算机还是一个人。如果测试者分不清楚幕后的对话者是人还是机器，即，如果计算机能在测试中表现出与人等价，或至少无法区分的智能，那么，我们就说这台计算机通过了测试并具备人工智能。
语音识别与第二次人工智能热潮
以李开复为代表的科学家提出了用统计概率来解决语音识别的问题，替代了传统符号主义学派，将语音识别的准确率40%左右。经过多年的发展，在2013年，对单词的识别错误率已经降低到23%左右。
深度学习与第三次人工智能热潮
2006年，深度学习泰斗杰弗里·辛顿及其合作者发表了一篇名为《一种深度置信网络的快速学习算法》的论文，结合逐步步入成熟的云计算与大数据，开启了第三次人工智能热潮。
三次人工智能热潮的对比
前两次人工智能热潮是学术研究主导的，而这次人工智能热潮是实现商业需求主导的。
前两次人工智能多是市场宣传层面的，而这次人工智能热潮是商业模式层面的。
前两次人工智能热潮多是学术界在劝说、游说政府和投资人投钱，而这次人工智能热潮多是投资人主动向热点领域的学术项目和创业项目投钱。
神经网络的诞生
生物学家和心理学家很早就开始研究人类大脑的工作方式，其中最重要的一环，就是大脑神经元对信息（刺激）的处理和传播过程。早在通用电子计算机出现之前，科学家们就已经提出了有关神经元处理信息的假象模型，即人类大脑中的数量庞大的神经元共同组成一个相互协作的网络结构，信息（刺激）通过若干神经元的增强、衰弱或屏蔽处理后，作为系统的输出信号，控制人体对环境刺激的反应（动作）。
但由于当时人工神经网络算法在处理某些特定问题时有先天局限，亟待理论突破，而且当时的计算机运算能力无法满足人工神经网络的需要，所以人工神经网络的发展一直处于停滞状态。
神经网络的发展
1、20世纪70年代到80年代，人工神经网络的理论难题得到解决；
2、20世纪90年代开始，随着计算机运算能力的飞速发展，神经网络在人工智能领域重新变成研究热点；
3、2010年前后，支持深度神经网络的计算机集群才开始得到广泛应用，供深度学习系统训练使用的大规模数据集也越来越多。
神经网络抽象理解
今天典型的人工智能系统通过学习大量数据训练经验模型的方法，其实可以被看成是模拟了人类学习和成长的全过程。
简单的说，深度学习就是把计算机要学的东西看成一大堆数据，把这些数据丢进一个复杂的、包含多个层级的数据处理网络（深度神经网络），然后检查经过这个网络处理得到的是不是符合要求——如果符合，就保留这个网络作为目标模型，如果不符合，就一次次地调整网络的参数设置，直到输出满足要求为止。