这里说的神经网络系统可不是大脑的神经网络系统，是计算机模拟大脑神经网络发展的系统，是“人工智能”领域的技术之一，现在看来已经占据较为主导的地位。这些系统能够识人脸、看图片、接收声音指令、识别交通信号……还有更多正在开发的用途。到底什么是神经网络系统呢？这个行业的规模到底有多大？科技艺术网近期刊登的一份连载详细地介绍了神经网络的原理和发展过程，并将其称为“机器中的幽灵”。

　　上世纪50年代的雏形

　　1958年，康奈尔大学的罗森布拉特在美国海军支持下开发的一套名为“感知器”的系统，恐怕是神经网络最早的雏形。那套系统可以从20X20大小的图片上识别简单的几何形状。

　　其实罗森布拉特不是想造一个识别图像的系统，而是通过用电脑模拟大脑研究大脑的工作原理。结果他的成果引起了许多科学家的兴趣。《纽约时报》1958年7月的报导称：“今天海军展示了一个电子系统雏形，有望能走、能说、能看，能自我复制，并有自我意识。”

　　从最基础层面来看，系统中的每个神经元就是一个数学函数，把输入的信息加权计算后给出一个结果，对输入信息施加的权重越大，输入信息对输出结果的影响越大。再把加权得到的结果送给非线性函数（即非简单的正反比的关系，自然界中大部分系统的本质都是非线性的），让神经网络模拟各种复杂的非线性问题。

　　接下来很关键的环节就是对这种系统的训练环节，也叫“深度学习”的过程，通过向系统喂送大量数据，不断练习系统的“判断”能力，实验发现，这种系统真的能够在一定程度不断提升“识别”结果的准确性。

　　突破性算法的出现

　　1986年一种名为“反向传播”算法的出现，让神经网络系统的性能出现了一次飞跃，不再受限一两层，可以建造五层、十层甚至五十层的网络，内部有着复杂的结构。但是神经网络真正的突破还需要一些其它条件的出现。直到2008年，当时介绍人工智能的教科书上，神经网络还只是九种机器学习算法中的一种。

　　2012年，这些条件终于具足，包括强大的电脑处理器、先进的显卡技术，以及训练系统所需的大量数据资料的获取方式——利用软件从互联网抓取一百万张图片的技术。

　　这些条件促成了基于神经网络技术AlexNet系统的成功。该系统参加的自动识别图片类别的竞赛ImageNet，其出错率获得16%的好成绩，当时最接近的对手出错率为26%，而在2011年的冠军出错率为25%。AlexNet系统具有八层可训练的网络，65万个神经元和6000万个参数。

　　深度学习的广泛应用

　　正如上面提到的，2012年的时候，多数参加ImageNet竞赛的系统用的都不是深度学习技术，AlexNet系统展示了深度学习技术强大的前景。到了2013年，该竞赛赞助方称“多数参赛者”基于深度学习技术。竞赛成绩也在飞速提升，出错率从2012年AlexNet的16%，将至2017年的2.3%。也是从2013年，深度学习的应用面迅速在业界扩大。

　　2013年，谷歌收购了一家由AlexNet设计人员建立的初创公司，开发了谷歌的图片搜索功能。2014年，脸书推出基于深度学习的脸部识别软件。苹果公司的操作系统自2016年起使用的脸部识别技术也是基于深度学习。

　　深度学习技术还是这几年语言识别技术的内核，如苹果的Siri，亚马逊的Alexa，微软的Cortana，谷歌助手等。很多公司还为深度学习应用软件开发了专用的芯片硬件支持。2016年，谷歌发布一款名为Tensor Processing Unit的神经网络芯片。同年，Nvidia宣布推出转为神经网络优化的硬件Tesla P100。英特尔也不示弱，在2017年推出自己的人工智能专用芯片。2018年，亚马逊也推出通过其云服务使用的人工智能芯片。微软据称也在开发人工智能芯片。

　　现在很多手机都是把数据传到服务器，让强大的服务器执行人工智能运算。但是这有一定延迟，以及数据安全性的顾虑。手机厂商也在加紧开发让手机支持神经网络运算的芯片，让手机客户端也可以执行一定人工智能操作。Tesla也加入了这场竞争。今年初，该公司推出了人工智能自动驾驶系统。