联结主义的胜利

早在20世纪50年代，AI作为计算机领域的一门学科被确立以来，如何让机器能够像人类一样思考，处理自然语言、读懂图像、做逻辑推理，当时就出现了两个流派。一个是主张用人类归纳知识的逻辑形式来实现机器智能的“逻辑学派”，另一个是模仿人类大脑神经元连接来实现机器智能的“仿生学派”，这两个学派分别代表了符号主义（Symbolicism）和连接主义（Connectionism）。神经元的复仇-[Neurons spike back](https://mazieres.gitlab.io/neurons-spike-back/index.htm?ref=indigox.me)在最初的20多年里，因为感知器模型（[Perceptron Model](https://towardsdatascience.com/perceptron-learning-algorithm-d5db0deab975?ref=indigox.me)）的发明，仿生学派一直是AI研究的主要方向，但受制于当时的算力和神经网络的算法，在计算机编程语言的快速进化的压力之下，用程序逻辑来实现机器智能的“符号主义”开始大行其道。只有以约翰·霍普菲尔德（[John Hopfield](https://en.wikipedia.org/wiki/John_Hopfield?ref=indigox.me)）为代表的少数研究人员还在为“连接主义”的理想而奋斗，欣顿教授就是其中之一。

采访中，欣顿教授透露，因为不愿意接受五角大楼的资助，在20世纪80年代，他辞去了卡内基梅隆大学计算机科学教授的工作，只身前往加拿大多伦多大学，继续从事神经网络的研究。欣顿教授对AI领域最大的贡献是一种叫作反向传播（[Backpropagation](https://en.wikipedia.org/wiki/Backpropagation?ref=indigox.me)）的算法，这是他与两位同事在20世纪80年代中期首次提出的，这项技术让人工的神经网络实现了“学习”，如今它几乎是所有机器学习模型的基石。简而言之，这是一种反复调整人工神经元之间连接权重的方法，直到神经网络产生能达到预期的输出。连接主义的全面逆袭从2012年开始，那年欣顿教授和他在多伦多大学的两名学生伊尔亚·苏茨克维（[Ilya Sutskever](https://en.wikipedia.org/wiki/Ilya_Sutskever?ref=indigox.me)）和亚历克斯·克里切夫斯基（[Alex Krishevsky](https://en.wikipedia.org/wiki/Alex_Krizhevsky?ref=indigox.me)）建立了一个神经网络——[AlexNet](https://en.wikipedia.org/wiki/AlexNet?ref=indigox.me)，可以分析成千上万张照片，并教会人们识别常见的物体，如花、狗和汽车。使用反向传播算法训练的卷积神经网络（[Convolution Neural Networks](https://en.wikipedia.org/wiki/Convolutional_neural_network?ref=indigox.me)，CNN）在图像识别方面击败了当时最先进的逻辑程序，几乎使以前的错误率降低了一半。从2012年到现在，深度神经网络的使用呈爆炸式增长，进展惊人。现在机器学习领域的大部分研究都集中在深度学习方面，人类第一次开启了AI的潘多拉魔盒！

联结主义不仅在技术上取得了突破，它还在哲学和认知科学领域产生了深远的影响。它为心灵哲学提供了一种新的视角，即心灵状态可以通过不同的物理实现来实现，这一观点与传统的符号主义方法形成了鲜明对比。同时，联结主义也强调了经验主义和适应性学习的重要性，推动了对学习机制和知识表示的深入理解。尽管联结主义取得了巨大的成功，但它也面临着一些挑战和批评。例如，神经网络模型通常需要大量的训练数据和计算资源，这在某些情况下可能成为一个限制。此外，神经网络的“黑箱”问题也受到了批评，因为它们的内部决策过程往往难以解释和理解。尽管存在挑战，联结主义和神经网络的研究为深度学习的发展奠定了基础。深度学习模型，如卷积神经网络（CNN）和递归神经网络（RNN），在图像识别、语音识别和自然语言处理等领域取得了重大突破。同时，联结主义也推动了计算机科学与神经科学、认知科学的进一步融合，促进了跨学科的研究和合作。联结主义，以神经之网捕捉世界的复杂，用并行之光点亮智能的火花。