5、学习的奥秘：人脑与机器的较量

学习的奥秘：人脑与机器的较量

学习的关键：简化模型与先验假设

在学习领域，机器若仅能识别已见过的图片或赢得已玩过的围棋局，意义不大。真正的目标是无论情况熟悉与否，都能识别任何图片、战胜任何对手。计算机科学家为此探索了多种解决方案，其中简化模型是加速学习和提高泛化能力的有效方法。当需调整的参数数量减至最少时，系统会被迫寻找更通用的解决方案。

Yann LeCun受此启发发明了卷积神经网络（Convolutional Neural Networks），这在图像识别领域已广泛应用。其原理简单，为识别图片中的物品，可在各处应用相同算法。比如识别照片中的人脸，无需为视网膜上的每个点学习不同模型，一处学到的知识可在其他地方复用。在学习过程中，卷积神经网络将从给定区域学到的知识应用于整个网络，减少了需学习的参数数量，从而提高性能，尤其是对新图像的泛化能力，还加快了学习速度。

这一技巧还可推广到其他领域，如语音识别。通过让神经网络在不同频段使用相同连接，忽略说话者声音的具体特征，减少需调整的参数，可提高速度和对新声音的泛化能力，这也是智能手机能响应语音的原因。

学习是投射先验假设，Yann LeCun的策略体现了对先天知识的利用。卷积神经网络学习更好更快，是因为它并非学习所有内容，其架构中融入了“一处所学可推广至各处”的假设。图像识别的主要问题是不变性，卷积网络通过在各处复制相同算法，利用了这一约束，将其融入自身结构。

实际上，自然与后天培养并非对立。纯粹的、无任何先天约束的学习并不存在，任何学习算法都包含对学习领域的一组假设。依靠先验假设并将其融入系统架构，比从头学起更有效。例如AlphaGo Zero软件，其初始表示包含了游戏的地形和对称性知识，缩小了