按键盘上方向键 ← 或 → 可快速上下翻页，按键盘上的 Enter 键可回到本书目录页，按键盘上方向键 ↑ 可回到本页顶部！
————未阅读完？加入书签已便下次继续阅读！
为了使作者及其观点更为可信，本章将分为三部分。第一部分简单地介绍作者生平，第二部分简要介绍他现在的工作，然后在第三部分陈述他未来的工作目标和理想。
我于1947年出生于澳大利亚悉尼，在开始写这本书时，我已经是个中年人了。我离过婚，和我的第一任妻子有两个孩子。由于我第二任妻子的离世使我寡居了很长一段时间。我的性格热情而理性。我有一个私人
图书馆，有6 000多本藏书。我是一个科学家、研究型教授、社会活动分子、作家和社会评论家，也有人说我是思想家。
我的少年时期是在澳大利亚度过的。我觉得我热情而理性的价值观和澳大利亚的冷漠、非理性、粗犷的社会文化格格不入。在悉尼奥运会期间，一位BBC的记者曾经说过，澳大利亚人对赢得一枚金牌的渴望胜过赢得诺贝尔奖。当我23岁完成应用数学和理论物理的本科学位后，我决定离开这个国家。
当我踏上伦敦的第一天，就被一种感觉所笼罩—— 被一种更加包容更加博大精深的文化所包围。那天晚上我在电视上看到BBC的一个辩论节目，我被它的理性所吸引。我如释重负，找到了自己的家—— 这里有一种可以衡量我个人价值的文化。
在伦敦居住了一年，由于20世纪70年代，伦敦空气污染严重，我患了黏膜炎，决定搬到充满学术氛围而又美丽的剑桥。我成了一个辅导数学的自由职业者，辅导对象是六七个剑桥大学本科学生。学生们三三两两来到我的公寓里，让我帮助他们解决教师布置的数学难题。
在剑桥呆了一些年后，我看了曾经给第一任妻子买的世界地图册。我的第一任妻子是澳大利亚人，我们邂逅在从澳大利亚到英格兰的“5周”邮轮上。我想我应该到国际化的都市，例如布鲁塞尔去居住，可以从其深邃的文化中汲取营养。我所需要做的就是学几种语言然后搬到那里。
尽管国际大城市的生活很诱人，但我还是很喜欢在剑桥的四年生活。喜欢它的绿色、它的美丽、它的学术传统，特别是它的智慧。那是我一生中最快乐的一段日子。但最终我还是不得不离开，因为我在那里找不到长期的工作机会。
我搬到了布鲁塞尔，学会说流利的法语、德语和荷兰语，正如计划的一样，我开始汲取这些文化，并将其融入我的个性。我变成一个更加丰富的人，一个“多元化”（多种语言、多种文化的人）的人而不是“单元化”。作为一个“多元化”的人，我发现和其他“多元化”的人一起，比和“单元化”的人在一起更让人有灵感。
我很喜欢在布鲁塞尔的新生活。很不幸，我的澳大利亚妻子不是这样。她很想回到她的故乡澳大利亚，因为那里有她熟悉的澳大利亚本国文化和语言根源。她极度想念那里。兴趣上的不同最终让我们分手了。她带着孩子回到了澳大利亚。
离婚以后，我和一个说法语的比利时人生活在一起，后来结婚了。无须惊讶，我的法语水平进步飞快。
我在一家很大的荷兰电子/计算机公司得到了一份工作，但很快就感到非常厌烦和沮丧。我很怀念剑桥的理性生活和学术氛围。在计算机界工作了几年后，我在布鲁塞尔大学开始攻读人工智能和人工生命的博士学位，成为一名研究员。
早在1992年，我的第二任妻子和我就离开了欧洲来到日本生活。我获得在筑波“科学城”从事人工智能的博士后奖学金。我那时相信，2000年之前，日本会超过美国，成为世界上经济最发达的国家。这个没有成为事实。我在日本住了8年，致力于制造世界上第一个人工大脑。
我在布鲁塞尔的一个研究实验室获得了一个从事同样工作的机会。我一个人回去了，因为我的第二任妻子已经死于肺癌。她在认识我之前烟瘾一直很重，虽然在我的坚持下戒了烟，但是危害早已形成。
布鲁塞尔的私立实验室购买了我的一个人工大脑制造机器（世界上仅有的4个机器中的一个，售价50万美元）。这个实验室创建于信息泡沫时代（dot boom），当时我决定把我在日本攒的10万美元投资于此，希望成为一个百万富翁。
我的人工大脑制造工作和我的机器吸引了世界媒体的关注—— 一个星期内有两家国际媒体联系我。法国的主流报纸Le Monde写了大约10余篇关于人工智能的文章，由于媒体的大量关注以至于引起了一次国会听证会。法国是世界上第一个在政治上讨论宇宙主义的国家（巴黎， 2001年7月）。
看起来我的生活似乎非常顺利，直到灾难的到来。信息泡沫变成了信息灾难。投资者不再向高科技有风险的研究室投资。实验室破产后，我损失了10万美元，也丢掉了工作。
我的下一份工作是在美国当计算机科学教授。难以置信的巧合是，我到美国工作的第一天正好是2001年9月11号。我的系主任那天早上在大学旅馆里碰见我，说：“嗨！德·加里斯。你看到这个了吗？”他指向电视机。“奇怪的行为”，我想。但是顺着他的指向看去，我看到了一幢着火的大楼，并且认出它是纽约世贸中心，我呆若木鸡。过一会儿，当我在大学餐厅用早餐时，听到一个学生尖叫，“他们撞了另一幢大楼！” “美国一直是这样吗？”我心里琢磨着。
作为一名教授，现在我必须去适应美国的个人主义和放任主义的态度，去适应教书的需要。我忙得发疯，去争取研究资金并努力适应我到的第6个国家。这些都需要很多精力，所以我没有在媒体上宣传我的宇宙主义观念。
几年前，我给一些退休人员作关于人工智能辩论的讲座。结束后，一个出版商找到了我并问：“你考虑过写一本关于人工智能的书吗？”这个问题的答案就是您现在手中的这本书。
我的工作
在这一节里，我将对我这些年所从事的工作进行更详细的阐述，重点介绍近十年的，因为这些和本书的主体最有联系。
早在20世纪80年代晚期，我就开始利用一种模拟达尔文进化的软件形式，所谓的基因算法（Genetic Algorithm）来设计神经网络，并开始发表一系列的科学研究论文。到我获得博士学位时，我已经发表了20篇论文。
神经网络可以被想象成由像枝节一样的纤维（叫做轴突（axon）和树突（dendrite））连接起来的三维大脑细胞矩阵。来自神经元的信号由轴突发送出去。树突将信号传入神经元。当一个轴突和一个树突相连，形成的联系叫做神经键（synapse）。
在一个真正的生物大脑中，每一个神经元或者大脑细胞拥有上万个神经键。也就是说，它可以被上万个来自其他神经元的信号所影响。这些神经信号同时到达一个神经元，被加强或者加权，然后相加。如果总的信号大于神经元激活阀值，神经元就会被激活，也就是说，它会顺着自己的轴突发送电子脉冲信号，信号的频率决定于总的信号强度大于阀值多少。轴突的脉冲发送到神经键，进一步影响其他的神经元。
一系列神经元图片
神经元（人脑细胞）有许多不同的存在方式。
这种生物神经网络可以用程序模拟。在20世纪80—90年代，一个典型的神经网络里的神经元数目大概有10余个到100个不等。当时我的博士研究工作，每个神经网络通常最多拥有16个神经元。这和我现在工作中使用近1亿个神经元形成了强烈的对比。
下面几页对我的工作进行了更为详细的描述，并且技术性更强。我希望你能够坚持下去，但是如果理解起来确实有困难的话，跳过此节也不会太影响对本书总体的了解。同时在这里提醒您一下，本书最后有一个术语表，可能会对阅读有所帮助。
神经网络，许多神经元相互连接起来形成复杂的神经网络，也就是人脑
CBM演化出来的神经网络的二维图像
基因算法
基因算法（Genetic Algorithm）是一种达尔文进化的程序模拟形式，用来优化任何被进化的性能。实际应用中，我把基因算法用于神经网络的进化。具体通过以下的方式来模拟神经网络的运行。首先要考虑如何描述神经网络本身。我使用16个神经元并且让它们和自身以及其他神经元连接，因此，总共有16×16=256个连接。输入信号的强度，以普通的十进制数字来表示，例如10。47，再乘以一个权值，例如0。537，然后相加。作为这个概念的一个例子，想象一个非常简单的只有两个神经元的网络，因此，有4个连接。神经元1输出的信号通过连接或形成神经突起C11发送到自身，并且通过连接或形成神经突起C12发送到神经元2。神经元2输出的信号通过连接或形成神经突起C22发送到自身，并且通过连接或形成神经突起C21发送到神经元1。假设在某个时刻的强度是S1和S2（例如，10。54和7。48）。
每一个连接Cij（或者形成神经突起）拥有一个相应的权值Wij，用来和通过该连接输入的信号强度相乘。因此，输送到神经元2的信号总强度应该是（W12* S1 ＋ W22* S2 ）。对于神经元1计算也类似。总共有4个这样的权值。假设每一个权值的范围在–1到＋1之间。因此，每一个权值可以用二进制小数来表示，比如说8个比特 （二进制数字，0或者1）。4个这样的数字可以用4×8=32个比特来表示，可以排列成有32个比特的一行。对于16个神经元，我们将用一个有16×16 ×8=2 048个比特的行或串来表示我将用来进化的神经网络的16×16个权值。
如果我知道2 048个比特的值（0或者1），我将可以计算所有的256个权值，并且可以通过它们建立一个完全连接的神经网络。相反，如果知道所有的权值，并且知道输入信号的初始值，我们就可以计算出每一个神经元发射时候的信号强度。如果知道了每一个神经元是怎么发射的，就会知道整个神经网络是怎么发射信号的或是怎么运转的。我们可以提取某些神经元的信号，并且把这些信号当作控制信号，来控制一些活动，比如说，通过控制
机器人腿的角度来让它行走。
为了解释基因算法是怎么运用于此的，想象一下产生了100个随机的比特串，每个长2 048个比特。从每一个比特串我们可以构造一个相应的神经网络。对于每一个网络都采用同样的初始信号来让网络的信号传输启动。提取其中的某些输出信号并且使用它们，比如，通过控制构成棍形腿的4个线条的角度来让棍形腿走路。我们可以测出在一定时间内腿的走动距离。
那些走更长距离的神经网络的比特串，可以存活到下一代。那些走的距离短一些的比特串则会死亡，这就是所谓的达尔文定律，即“适者生存”。比特串越适应，即具有更高性能分数或“高适应值”的就越会复制自己，产生所谓的“孩子”或后代。然后，这些孩子和它们的父辈一起被“变异”，也就是说，每一个比特有一个很小的概率来改变相应的值 （0变成1，1变成0）。两个比特串可以“交配”，即一个称为“特征交换”的过程。它有很多方式。一个简单的方式就是，选取两个父比特串或者通常所谓的 “染色体”，在同样的位置把它们分成两