深度学习通过深度神经网络的模型模拟人类的感知，如视觉、听觉、触觉等。深度学习有两个优点：第一个优点是不需要领域专家知识，技术门槛低；第二个优点是升级网络规模越大，能够处理的数据越大。

深度学习一个最典型的例子是围棋程序。在2015年10月之前，用符号主义的方法，即知识驱动的方法做出来的围棋程序，最高达到业余5段的水平。到了2015年10月份，围棋程序打败了欧洲的冠军，到2016年3月份打败了世界冠军。到2017年10月份，AlphaGo元打败了AlphaGo，AlphaGo元利用了深度学习，使得围棋程序的水平实现了三级跳，从业余跳到专业水平，又从专业水平到世界冠军，又从世界冠军到超过世界冠军。AlphaGo两年实现了三级跳，成功主要来自于三个方面：大数据，算法，算力。AlphaGo学习了3000万盘已有的棋局，自己与自己又下了3000万盘，一共6000万盘棋局，采用蒙特卡罗树搜索、强化学习、深度学习等算法，一共用了1202个CPU和280个GPU来计算。

深度学习也有很大的局限性，如不可解释、不安全、不易泛化、需要大量的样本等。比如一张人脸的图片加一点修改后可能被识别成狗，为什么会出现这种情况，人类无法理解，这就是不可解释性。

2016年，以强化学习为代表的行为主义（Actionism）在AlphaZero横空出世之后大获关注，更是被誉为通向通用人工智能的必经之路。

以逻辑推理为代表的符号主义以知识驱动智能，以深度学习为代表的连接主义以数据驱动智能，都存在很大的缺陷，应用范围受限。

以强化学习为代表的行为主义综合利用知识、数据、算法和算力四个要素，将人脑的反馈、横向连接、稀疏放电、注意力机制、多模态、记忆等机制引入，有望克服前两代人工智能的缺陷，获得更广泛的应用。

02.
人脑工作的几个机制【预测与反馈机制】

大脑通过一段时间的生活，观察世界并建立记忆模型；日常生活中，大脑都会自动地在潜意识中对照之前的记忆模型并且预测下一步将发生什么。当察觉到了一个和预测的情况不符合的时候就会引起大脑的反馈。

脑细胞之所以能够进行信息传递，是因为它们拥有神奇的触手——树突和轴突。凭借着短短的树突，脑细胞可以接受由其他脑细胞传递过来的信息，而凭借着长长的轴突，脑细胞又会把信息传递给其他脑细胞（如下图所示）。

我们从车辆自动驾驶系统的分级可以看出，智能系统L0级完全是人类决策，L1~L2级是机器基于全量数据做数据整理与分析，人类做推理判断和决策，即所谓的数据驱动模式，L3~L4是机器基于全量数据做数据整理、分析、逻辑推理、判断与决策，但需要人类在适当的时候干预，L5是完全的智能机器，无需人类干预，即所谓的智能驱动模式。

机器要具有智能，也就是让机器成为一个智能系统，至少需要具备如下图所示的组成部分：感知、认知、理解、决策、行动。

—【 THE END 】—

文章来源：六方云

安全牛是中国网络安全领域的专业媒体和旗舰智库，精确定位并服务于CISO/CSO/CTO/CIO决策者人群，向国内企业的决策管理者以及IT专业人士提供独立客观、高品质、有价值的战略性网络安全内容。安全牛致力于推动中国企业跨越“安全鸿沟”，促进中国网络安全产业的健康发展。