人工智能已经成为当下街头巷尾的热门话题。企业在宣传产品和方案时，常常提及机器学习（ML）和深度学习（DL）等术语，但这些词汇绝非仅仅是营销噱头。
过去数十年间，能够解决现实问题的AI应用不断涌现，已成为全球性趋势。成千上万的科研人员投身于机器学习研究，Andrew Ng（吴恩达）被视为该领域的精神导师。他曾指出：“一百年前，电力的发明彻底改变了世界；如今，我难以想象未来几年内还有哪个行业不会被人工智能所变革。”
科技巨头们对技术趋势了如指掌，也承受不起落后的风险，因此早已全面拥抱这场计算机革命。机器学习的发展前景极为广阔。如果你是开发者，希望提升自身技术实力，那么尽早学习机器学习无疑是明智之举。
人工智能已经深刻变革了各大主要行业，涵盖医疗、神经科学、农业、安全与监控等领域。AI与机器学习的跨领域应用不胜枚举，逐渐成为我们生活中不可或缺的一部分。那么，这一切究竟是如何开始的？这还要从几十年前感知器的发明说起。
感知器的故事要追溯到65年前。在正式讲述之前，我们先简要了解“感知器”的定义：它既是一种简单的生物神经元人工模型，也是一种用于监督学习的单层神经网络算法，由输入值、权重、偏差以及激活函数构成。
单个感知器的装置模型
不过本文不深究技术细节，我们将直接进入故事叙述。
感知器的起源与兴起
1957年1月，弗兰克·罗森布拉特（Frank Rosenblatt）在纽约布法罗的康奈尔航空实验室公司发明了感知器，该装置成为神经网络的基本构成单元。这一发明源自其论文《感知器——一种感知和识别自动机》。韦氏词典将“自动机”定义为：一种能够自动执行预定操作序列或响应编码指令的机器或控制器。
这项研究历时五年，目标非常明确：设计一个能够学习复杂模式、具备模式感知与泛化能力的电子大脑模型。其背后的核心理念是建造一台具有类似人类功能的设备，例如感知外界、形成概念、归纳经验、识别复杂信息模式，以及辨别不同大小、形状与方向的相似物体。
神经元细胞——由brgfx工具绘制的背景矢量图
然而，要完成上述操作，传统计算机系统需要存储成千上万乃至数百万个模式，并在需要时从这些模式中搜索并识别出未知模式。这一过程计算量极其庞大，也并非一种经济的模式识别方法。
为了解决这一难题，Frank Rosenblatt提出了一种新思路：让系统模仿生物大脑的工作原理，采用概率方法而非确定性方法来识别模式之间的相似性。他的感知器模型由三大系统构成：感官系统、交互系统与反映系统。每个系统均包含相互连接的单元，这些连接可根据正在识别的模式进行开启或关闭。感官系统负责接收输入模式，交互系统负责调节特定连接的开关，反映系统则负责输出最终结果。
赋予感知器模型实际生命的定制硬件是Mark 1感知器，它主要用于图像识别，外观为一个黑色盒子，其结构与现代神经网络类似，包含输入层、隐藏层和输出层。
Mark I 感知器实物——康奈尔大学通讯社记录，#4–3–15，康奈尔大学图书馆珍藏与手稿收藏处
反向传播算法的提出
时间回溯到1986年，Geoffrey Hinton提出了一项重要成果，极大地推动了感知器的后续发展。他提出了一种名为反向传播的新型学习算法，该算法后来成为现代神经网络模型的核心。这项技术通过调整神经网络模型的权重，减少实际输出与期望输出之间的误差，使神经网络能够学习或提取特征，对输入的模式或序列进行概括，从而对未见过的数据做出相当准确的预测。
多层神经网络模型中反向传播的可视化示意图
从那时起，相关研究取得了突飞猛进的进展。如今，我们已经拥有VGGNet、ResNet、Inception等模型，能够快速准确地对物体进行分类。而这一切的基础，都源于我们试图模仿人类大脑的工作原理。
但问题在于，我们真的完全了解大脑识别日常所见物体的工作原理了吗？随着时间的推移，神经科学研究人员不断提出新的脑理论，帮助我们理解学习、感知与记忆的模式。
机器学习的新前沿：千脑智能理论
杰夫·霍金斯（Jeff Hawkins）提出了“千脑智能理论”，该理论解释了人类大脑中的新皮层如何针对同一对象构建多种模型，然后通过分层投票达成共识，最终形成触觉、嗅觉和视觉等感觉。该理论认为，当我们在现实生活中看到某个物体时，新皮层会激活一组特定的神经元；如果看到一组大小和方向不同的相似物体，新皮层也会激活一组类似的神经元——这使得我们能够概括出日常生活中见到的物体。虽然实际情况更为复杂，但你可以借此形成一个基本概念。
这与传统的机器学习或尖端的深度学习有所不同——后者需要大量输入数据来学习模式，然后进行预测。
新皮层中神经元层次结构的可视化示意图
杰夫·霍金斯创立了Numenta公司，正致力于将《千脑智能理论》等前沿神经科学理论与人工智能相结合，以创造出与生物大脑工作原理相同的真正智能机器。尽管前路漫长，但方向无疑是正确的。我们已经取得了重大进展，而感知器正是这一切的关键所在。