你是否曾想过，机器学习究竟是如何运作的？如果说机器学习是处理信息的驮马，那么神经网络就是吸引马匹前进的胡萝卜。一个系统若要真正具备学习能力，就不应被编程去执行某项特定任务，而应被编程去学习如何执行这项任务。为此，系统需要采用一种更精细的机器学习形式，称为深度学习，它以神经网络为基础。借助神经网络，系统能够自主感知数据中的模式，并学习如何执行任务。
神经网络，或更具体地说，人工神经网络（ANN），是信息处理装置。它们可以是算法，也可以是实际硬件，其设计大致仿照大脑大脑皮层的神经元结构，但规模更小。
现代人工神经网络的起源基于一种神经元数学模型，称为感知机，由弗兰克·罗森布拉特于1957年提出。如下图所示，该模型与神经元结构十分相似，其输入类似于树突（神经元的短突起，负责将电化学信号从一个神经元传递到另一个神经元）。
在沃伦·麦卡洛克和沃尔特·皮茨提出的原始模型中，输入值为0或1。每个树突/输入也有一个+1或-1的权重。因此，输入值会乘以其权重，再将加权输入之和送入模型。感知机由此接收多个二进制输入（I1、I2……IN），并生成一个二进制输出，即多个输入的加权平均值。如果累积输出大于设定的阈值，模型就会给出相应输出。换言之，结果小于或等于阈值时，输出=0；结果大于阈值时，输出=1。
层级的力量
基于这一初始框架，感知机模型允许神经元的输入和权重取任意值。因此，人工神经网络不过是由感知机相互连接而成的层级结构，如下图所示：
通过改变权重和阈值，我们可以得到不同的决策模型。一个隐藏层的输出也可以馈入感知机的另一个隐藏层。感知机的第一层通过权衡输入证据，作出非常简单的决策。然后，这些输出被馈入第二层，由第二层权衡第一层的结果并作出决策。
按照这种方法，第二层的感知机能够在比第一层感知机更复杂、更抽象的层面作出决策。如果加入第三层，这些感知机作出的决策就会更加复杂。这样一来，由多层感知机构成的“深度”网络便能够进行复杂的决策。感知机层数越多，决策能力越强；这适用于许多领域。
但为什么深度学习直到现在才蓬勃发展？一个原因是，随着计算能力提升，系统能够快速处理输入并输出结果。有趣的是，2009年人们发现，个人电脑和电子游戏机中用于生成复杂图形的专用芯片，也非常适合用于构建神经网络模型。此外，互联网的兴起提供了海量文档、视频和照片，可用于训练。
近年来，深度学习和人工神经网络改变了人工智能领域。更重要的是，它们在提升人工智能的“智能”水平方面发挥了重要作用。曾被视为人类专属的任务和能力，如今正由深度神经网络完成。正是深度学习让机器得以击败世界顶尖围棋选手。
对商业的影响
这表明，凭借海量数据和强大的计算能力，机器如今能够识别物体、翻译语音、自主训练以识别复杂模式、学习制定策略，并实时制订应急计划。人工智能不只是能够执行任务，它已经开始思考。
企业目前正考虑在港口和机场运用深度学习来扫描隐蔽武器。在金融领域，算法交易和资产管理正日益转向深度学习。资产管理者利用深度学习，从多种数据来源中寻找整体模式，例如货运单据、Twitter上的客户反馈，以及美联储成员的演讲等等。需要注意的是，由于这些数据大多是非结构化数据，使用常规统计模型构建简单的预测模型几乎是不可能的。
但借助深度学习，可以分析未标注数据、发现模式并获得洞见。这有助于更好地理解不同数据来源之间的相关性并作出预测。例如，通过将深度学习方法应用于金融领域，研究人员得以得出比标准统计和经济模型更有用的结果。深度学习已被用于发现并利用数据中的相互作用；至少目前，这些相互作用对现有的金融经济理论而言仍不可见。
在下一篇文章中，我们将介绍另一项相关进展——自然语言处理和情感计算，然后把这些内容一并纳入人工智能的范畴。
