谷歌大脑：像人类一样去学习

　　实际上，在你还没有意识到的时候，机器学习技术已经遍布你日常生活。这种训练计算机使用现实数据的方法，可以帮助实现高质量的语音识别、实用型计算机视觉、拦截垃圾邮件，甚至可以用来自动驾驶汽车。

　　机器学习技术还有很多缺陷，比如劣质的转录文本、搞笑的翻译结果或者是错误的图像识别，都会让你觉得好笑。也因此，Google的研究团队一直在致力于研发大规模机器学习的新方法。

　　几年前，Gonglp成市了专门的团队，希望机器学习技术能模拟人脑的运行方式。为此，Google的科学家将1.6万片电脑处理器连接起来，创造了全球展大的神经元网络，让它们在互联网中“自学成才”。

　　往一周的时间里，Google的科学家们给这些神经元看了1 000万个从YouTube视频中截选出来的静态图片，答案是什么?其中有一个神经元网络通过这样的学习，对猫眯图像特别敢感。也就是说，通过自我学习，这个神经元网络认识了猫咪。

　　这个以软件为基础的神经网络，显然准确地印证了生物学家的理论——单个神经元通过在大脑内接受的训练，获得识别物体的能力。据介绍，与之前的任何项目相比该神经网络的效果都要好得多：面对2万种截然不同的物体，它的辨识能力几乎翻了一番。一起学习的神经元网络中，还有的对各种各样的花很敏感，有对某种形状很敏感，每个神经元网络学习到的东西都不一样。我们从没告诉电脑神经元这是猫的图片，而这个电脑神经元自发地通过接触大量图片，把所有一类型的图片都做了归类。

　　这究竟是怎样做到的呢?电脑所模拟的神经元并不是真的像人脑神经元那样会受一些化学的刺激或引起反应，而是比较宏观的，比如看到大量的像素，从这些像素中总结固定的样式。

　　事实上过去几年中人们已经学会了训练电脑网络，去掌握那些未标记的图片，这与以前的训练完全相反，以前是让它从许多重复出现的标记图片中学习。现在新的方法是，让电脑网络不断从大量重复出现的图形中抓取，自己掌握这种学习模式。

　　就好像是儿童在成长中自然习得的过程，比如你把孩子放任车里。从车窗外观察世界，他会从路上看到各种各样的机动车和自行车，当时并浚有人去指导他这些事物是什么，他是通过自己的观察去总结同类事物。观察之后，母亲会告诉孩子，有两个轮子的是自行车，孩子就会自己类推了，凡是有这样特征的他都会知道是自行车。对于孩子来说，只需要将这个概念重复两三次他就知道了，不需要每次看到自行车都再要人教一次。

　　这项研究是新一代计算机科学的代表，这类研究项目充分利用了计算资源的成本下滑，以及庞大数据中心的日益增多。这种技术在前期，也就是训练它的阶段成本很高，比如正确加权的计算，但训练结束后，用到产品中的成本就低很多了。”

　　据杰夫介绍，这项技术成果用到了Google语音识别团队上：用800台机器进行了为期5天的训练，很快就把语音识别错误率削减了25%.这是相当了不起的成就，相当于语音识别团队20年所取得的成果。

　　实际上，神经网络技术已经有20多年的历史了，在很长的一段时问里龠行，但后来叉渐渐淡下去了，不过最近的三到四年里，世界上有好几家大型学术组织又开始对它进行研发。

　　除了谷歌，微软也在研究这种“深度学习”模式。去年微软科学家就证明，利用同样的技术，可以借助脑系统很好地理解人类的语音。