第250章 人工智慧專案的探討

請關閉瀏覽器的閱讀/暢讀/小說模式並且關閉廣告遮蔽過濾功能，避免出現內容無法顯示或者段落錯亂。

歷景鑠還未露面，周瑾龍卻率先帶來一則訊息：鵬城電視臺《今日鵬城》欄目的記者李傑，有意採訪秦奕。

不僅如此，李傑目前正在籌備一部名為《前進中的鵬城》的紀錄片，他表達了讓秦奕也參與錄製這部紀錄片的意願。

能借助鵬城電視臺這一平臺擴大自身影響力，秦奕哪有拒絕的道理，當下便與李傑敲定，幾日後接受採訪，同時也會全力配合紀錄片的錄製。

剛敲定採訪時間，歷景鑠恰好趕到。

秦奕隨即領著歷景鑠步入會議室，一同探討起他的人工智慧專案。

實際上，在理想基金的專案申請中，並非僅有歷景鑠的專案與人工智慧相關。除他之外，還有兩個專案同樣聚焦於人工智慧領域，只不過那兩個專案專注於人工智慧的專家系統分支，而歷景鑠選擇鑽研的，則是神經網路分支。

至於秦奕為什麼青睞歷景鑠的專案，而非另外兩個呢？這就得從人工智慧未來的發展態勢說起了。

秦奕心裡清楚，當下基於邏輯推理與規則系統的專家系統技術正日益成熟，應用領域如雨後春筍般迅速拓展，已廣泛深入到各個專業領域。

在國際市場上，眾多企業已開發出數以千計的專家系統，不少在功能上已達到甚至超越同領域人類專家的水平，創造出頗為可觀的經濟效益。

與此同時，專家系統在理論與方法層面也得到深入探究，適用於其開發的程式語言和高階工具相繼問世，這些專家系統工具的出現，極大地加快了開發程序，進一步推動了其普及應用。

然而從前世的經驗來看，現在興盛的專家系統註定只能是曇花一現，難以長久輝煌。

在即將到來的 20 世紀 90 年代初期，專家系統的侷限性將逐漸顯現。諸如知識獲取困難、維護成本高昂、對複雜和動態問題處理能力不足等問題，都將成為阻礙其進一步發展的絆腳石。

此外，隨著計算機通用效能的提升，專用的專家系統硬體優勢不再，再加上人工智慧領域其他技術的激烈競爭，專家系統將逐漸走向衰落。

直至 21 世紀 10 年代之後，深度學習興起，專家系統與深度學習以及一些其他新興技術融合後，才會再度出現在大眾視野之中。

反觀歷景鑠所選的人工智慧方向 —— 神經網路，此前曾陷入發展低谷。

1969 年，人工智慧領域的兩位先驅馬文?明斯基和西摩?佩珀特出版了《感知機》一書。

書中明確指出，感知機僅能處理線性可分問題，面對異或問題這類線性不可分的情況則無能為力，並且認為在當時的條件下，多層神經網路的訓練演算法難以實現。這一觀點給神經網路的研究帶來了極為沉重的打擊。

後來的事實也的確在一定程度上驗證了書中的說法，儘管神經網路的概念早已存在，但人們始終未能找到有效訓練多層神經網路的方法。傳統的神經網路在訓練過程中，面對多層結構，往往難以有效地調整每一層的引數，致使網路難以很好地學習複雜模式。

這種困境一直持續到 1986 年，隨著關於反向傳播的論文發表，情況才會出現轉機。論文中提出的 “反向傳播” 演算法，為訓練多層神經網路提供了一種行之有效的途徑。

該演算法的核心思路是，透過計算每一層的誤差，並將這些誤差逐層向後傳播，進而調整每一層的權重和偏置，使整個網路的輸出誤差達到最小化。

此後，神經網路總算是有了些許希望，吸引了不少人投身研究，被後來者稱為“深度學習三巨頭”的楊立昆就在反向傳播論文釋出後，構建了應用於影象分類的卷積神經網路，即 LeNet 的最初版本，並且首次使用了 “卷積” 一詞，“卷積神經網路”