神经网络的目前和未来发展趋势

本文目录一览

• 未来的工神经网络将会怎样改变我们的生活。
• 神经网络计算机的面临新问题
• 工神经网络的发展

未来的工神经网络将会怎样改变我们的生活。

1、客服行业/行政助手

传统客服、企业内部行政，这种机械性、重复性、程式化的重复体力劳动的工作将会专业的行政/客服机器所替代。

2、翻译行业

破语言界限，帮助类进行跨民族、跨语种、跨文化的交流，一直以来都是“翻译”这一专业域的神圣指责，且深深的在全球化的大潮中，重要依赖着。

3、服务于公共交通的司机、公交车司机

交通改变了类生存的空间感和时间感，交通行业的发展和速度效率的提升，极大的提升了社会效率和类生活体验。 但每年不断增加的汽车保有量和随之快速上升的交通事故，也造成了不可挽回的生命及财产损失。

4、造业流水线工

工智能最常让浮想联翩的技术域，毫无疑问是机器，尤其是工业造机器姿禅域。 现在在高端科技造、精密机械造、主流汽车生产和甚至手机生产线中，工业机器是标配。 大量的工业应用故事，已经明确地指明了未来工业生产的方向。

5、基础医学服务和辅助医疗

近年来在医疗行业，多家企业源源不断地向工智能技术应用方向注入大量资金，尤其是降低医疗成本、增加医疗效果、提升医疗效率、改善患者健康域。

在某些情境下，工智能的深度学习能力已超越医生。 专家预测2020年医疗工智能将续增，尤其是在成像、诊断、预测分析和管理域。

6、金融审计和风控

工智能的知识图谱、深度学习、大数据处理等技术在金融行业已有广泛的应用，通过专业策略深度应用下，对金融域数据的监控和数据分析、决策方向极大的提高了业务处理效率，并且在每日新增和历史的金融海量数据下，工智能的效率是工不可企及的。

7、便利店收银员

无营业员超，又称为无超。 负责收钱的不是营业员，而是一个具备摄像、脸识别、机器交互终端、扫码迅袜设备的自动收款机器。 这种无须排队结账的实体店：手机进店、选品、拿货，然后走！这种黑科技早已于2016年，随着AmazonGo无超的正式上线成为现实。

特点优点：

工神经网络的特点和优越性，主要表现在三个方面：

1、具有自学习功能

例如实现图像识别时，只在先把许多不同的图像样板和对应的应识别的结果输入工神经网络，网络就会通过自学习功能，慢慢学会识别类似的图像。

自学习功能对于预测有特别重亩册要的意义。 预期未来的工神经网络计算机将为类提供经济预测、场预测、效益预测，其应用前途是很远大的。

2、具有联想存储功能

用工神经网络的反馈网络就可以实现这种联想。

3、具有高速寻找优化解的能力

寻找一个复杂问题的优化解，往往需要很大的计算量，利用一个对某问题而设计的反馈型工神经网络，发挥计算机的高速运算能力，可能很快找到优化解。

神经网络计算机的面临新问题

已取得重要的进展，但仍存在许多亟待解决的问题。 如处理精确度不高，抗噪声颂败干扰能力差，学互连的双极性和可程问题以及系统的集成化和小型化问题等。 这些问题直接关系到神经网络计算机的进一步发展、性能的完善及广泛的实用化。
神经码竖网络计算机神经网络的整体性能与网络中的神经元数有密切关系。 虽然学互连的高度并行性在原则上提供了实现大规模神经网络的可能性，但随着神经元数目的增加，互连数将会按平方律增加。 在系统尺寸一定的条件下，神经元数必然受
到空间带宽积、衍射和畸变的限。 因此大规模神经网络的实现将对学设计、离轴学、衍射野模颤学、二元学器件、集成学器件以及计算机全息器件提出更高的要求。 学神经网络中的非线性作目前仍采用电子学或计算机处理的方法。 这就违背了神经网络的并行性要求。 并行学非线性运算的实现，要求有阈值可调、响应函数形式可调的非线性器件，这也是一个亟待解决的复杂问题。 另外，随着学神经网络研究的不断深入，对硬件的实用性要求也在不断提高。 系统的集成化与小型化势在必行。 这方面，电混合集成芯片的研成功是令鼓舞的。 由此可见，对于神经网络的实现来说，学与电子学技术都各有其处。 充分发挥二者的优势，形成一个电混合处理的硬件系统，将是未来神经网络计算机发展的重要趋势。

工神经网络的发展

现代意义上对神经网络（特指工神经网络）的研究一般认为从1943年美芝加哥大学的生理学家W.S.McCulloch和W.A.Pitts提出M-P神经元模型开始，到今年正好六十年。 在这六十年中，神经网络的发展走过了一段曲折的道路。 1965年M.Minsky和S.Papert在《感知机》一书中指出感知机的缺陷并表示出对这方面研究的悲观态度，使得神经网络的研究从兴起期进入了停滞期，这是神经网络发展史上的第一个转折。 到了20世纪80年代初，J.J.Hopfield的工作和D.Rumelhart等的PDP报告显示出神经网络的巨大潜力，使得该域的研究从停滞期进入了繁荣期，这是神经网络发展史上的第二个转折。
到了20世纪90年代中后期，随着研究者们对神经网络的限有了更清楚的认识，以及支向量机等似乎更有前途的方法的出现，“神经网络”这个词不再象前些年那么“火爆”了。 很多认为神经网络的研究又开始陷入了低潮，并认为支向量机将取代神经网络。 有趣的是，著名学者C.-J.Lin于2003年1月在德马克斯·普朗克研究所所做的报告中说，支向量机虽然是一个非常热门的话题，但目前最主流的分类工具仍然是决策树和神经网络。 由著名的支向量机研究者说出这番话，显然有一种特殊的意味。
事实上，目前神经网络的境遇与1965年之后真正的低潮期相比有明显的不同。 在1965年之后的很一段时期里，美和前苏联没有资助任何一项神经网络的研究课题，而今天世界各对神经网络的研究仍然有大量的经费支；1965年之后90%以上的神经网络研究者改变了研究方向，而今天无论是际还是内都有一支相对稳定的研究队伍。 实际上，神经网络在1965年之后陷入低潮是因为当时该域的研究在一定意义上遭到了否定，而今天的相对平静是因为该域已经走向成熟，很多技术开始走进生产和生活，从而造成了原有研究空间的缩小。
在科学研究中通常有这么一个现象，当某个域的论文大量涌现的时候，往往正是该域很不成熟、研究空间很大的时候，而且由于这时候们对该域研究的限缺乏清楚的认识，其热情往往具有很大的盲目性。 从这个意义上说，过去若干年里各域研究者一拥而上、各种专业刊物满眼“神经网络”的风，其实是一种畸形繁荣的景象，而对神经网络的研究现在才进入了一个比较理智、正常的发展期。 在这段时期中，通过对以往研究中存在的问题和限进行反思，并适当借鉴相关域的研究进展，将可望开拓新的研究空间，为该域的进一步发展定基础。