Babbage: The science that built the AI revolution—part one
42:57 Share

您好，本期《巴贝奇》节目可免费收听。但如果您想每周收听，则需要成为《经济学人》的订阅者。详情请点击节目说明中的链接或在线搜索“经济学人播客”。

此消息来自Greenlight。准备好开始与您的孩子谈论理财知识了吗？了解Greenlight，这款借记卡和理财应用程序可教导孩子和青少年如何在您的保护措施到位的情况下学习赚钱、储蓄、明智消费和投资。使用Greenlight，您可以快速向孩子汇款，安排家务，自动发放零花钱，并通过实时通知密切关注孩子的消费情况。

经济学人

我们刚刚到达曼彻斯特郊外的一个工业园区。我们看到的是一栋低矮的灰色工业建筑，外面有一些巨大的水箱。从外面看非常不起眼，但里面却发生了一些非常特别的事情。《经济学人》的数据记者和科学通讯员艾恩斯利·约翰斯顿。你好，艾恩斯利。你好，很高兴见到你。你好，我是史蒂夫。欢迎来到英国生物样本库影像中心。

她最近去拜访了英格兰北部的一个脑成像实验室。英国生物样本库影像研究，我们最终每个参与者贡献约9000张图像。达乌德·达苏是英国生物样本库的影像运营主管。这些东西可以告诉你大脑的大小、体积和结构，还可以告诉你大脑的功能，例如大脑的哪些部位在某些任务中是活跃的。

我们还有一些东西可以测量大脑关键部位的血流。因此，每个参与者仅从大脑方面就为我们上传供研究人员使用的数据集贡献了大约2500个变量。

英国生物样本库维护着一个庞大的生物医学数据数据库。它收集从基因组序列到人们饮食信息的一切数据。达乌德在这里谈到的影像研究旨在扫描所有参与者的各个部位，从心脏到骨骼和腹部。这些扫描将帮助科学家深入研究宇宙中最复杂物体之一——人脑的复杂性。

当参与者躺在核磁共振扫描仪内时，他们会得到一个快速的任务。这是一个比大小的游戏。所以你会得到三张图片，三张脸。

他们必须将上面的脸与左侧或右侧匹配，用我的外行话来说，它会照亮参与决策的大脑部位。他们会将此与之前应用相同磁场但没有任务时的情况进行比较。我们都知道人脑非凡。

不知何故，从数十亿脑细胞的纠缠和化学反应的混合物中，产生了一系列广泛的能力：语言、记忆、视觉、处理信息的能力，甚至控制肌肉等等。总和远大于部分之和。因为人脑也是我们所说的智力的中心。人类的智力推动了我们物种的成功。

也许这很奇怪，我们仍然有很多东西需要学习，关于人类智力，事实上是任何智力究竟是什么。但如果你想了解人工智力，理解人类智力必须是起点。这是我们在关于构建人工智能革命的科学的四部分系列节目中的目标。我是阿洛克·贾，这是来自《经济学人》的《巴贝奇》节目。

在今天的节目中，我们将看看最早的人工智能系统以及它们如何从人脑中获得灵感。这是我们四集系列节目的第一集，我们将探讨导致人工智能当前时刻的科学思想和创新。我们将深入探讨炒作、流行语和术语，并探索八个我们认为如果您想了解当今生成式人工智能是如何产生的，则需要了解的思想。

我们将探讨人工神经网络究竟是什么。神经细胞会发出ba-ba-ba-ba-ba-ba-ba-ba-ba-ba的声音。当我们想到受神经启发的人工系统时，它是否发送脉冲是关键的见解，它为我们提供了我们现在使用所有信息处理能力。从最早尝试在硅中模拟人脑……我们构建的系统非常愚蠢。哈！

如此薄弱，如此难以训练。到使这些模型能够扩展的技术。ImageNet 是人工智能历史的转折点，它认识到使用大数据至关重要。我们将了解为什么大约十年前，人工智能突然变得出奇地好。突然之间，事情开始运转，人们开始关注我们所做的事情。

我们有很多例子表明，计算机视觉系统可以在它们自己的游戏中击败人类专家。以及这些系统如何不断变得更好。例如，从GPT-2到GPT-3的变化是巨大的。从GPT-3到GPT-4的变化是巨大的。

我认为大型语言模型不会像现在这样有效。我只是认为我不能仅仅将整个互联网都扔进去，就能得到下一个词的预测，并且让它看起来像人类。你知道吗？我完全错了。你不能。如果你想了解人工智能的起源，最好从这两个词中的第二个词开始。因此，本系列的第一个问题是：什么是智力？

为了准确找出人脑是如何工作的，让我们从我们的记者艾恩斯利·约翰斯顿那里继续讲起。位于曼彻斯特郊外的英国生物样本库中心每周七天扫描患者的大脑，朝着他们10万人的成像目标努力。影像项目经理史蒂夫·加勒特解释了参与者经历的过程。我们在影像诊所

我们这里有参与者，他们来这里大约需要四到五个小时的访问。他们在电脑上做测试和一些事情吗？我们有一个触摸屏问卷，他们会非常全面地回答有关他们的健康和生活方式的任何问题，但他们也会进行认知测试。

谁想坐一下？哦，当然，我会坐一下，是的，太好了。那是乔安妮·诺里斯，诊所的健康研究助理之一。我们显然会解释说，他们将进行大约25分钟的关于一些游戏、谜题和记忆测试的时间段。所以请阅读黄色部分，然后准备好后点击下一个笑脸按钮。好的。好的，游戏会有三对，对吧？

好的，所以我可以看到我面前有六张牌，现在它们已经被翻过来了，所以我必须找到……好的，这张是一个男人，这张是一个男人。我认为这张是一个正方形。哦，不，不，这太尴尬了。好的，这张是风筝，这张是风筝。太好了，正方形，正方形。好的，我被要求将以下数字加在一起。一、二、三、四、五。好的，所以等于15。

如果特鲁达的母亲的兄弟是蒂姆的姐姐的父亲，那么特鲁达与蒂姆是什么关系？特鲁达的母亲的兄弟。那是特鲁达的叔叔。是蒂姆的姐姐的父亲。那是蒂姆的父亲。特鲁达的叔叔是蒂姆的父亲。那么特鲁达一定是他的姑姑，我认为？哦，上帝。此时，一些参与者要求使用笔和纸。我想我需要一支笔和纸。

我觉得我们可能已经足够了，我想我可能让自己很尴尬。然而，这些测试不仅仅是为了取笑记者。每次测试的分数有助于描绘参与者认知能力的独特画面。对于研究人员来说，这是一个强大的数据，特别是与即将收集的生物医学数据相结合时。

然后他们会去换衣服。换好衣服后，其中一人会去进行脑部扫描。在一走廊充满强磁场警告标志的尽头是脑部核磁共振成像机。这些机器看起来像巨大的甜甜圈。参与者躺在床上，然后他们的头部和肩膀被移到扫描仪的孔内。我们接下来进入了隔壁的控制室。

在这里，放射技师控制扫描仪，检查正在收集的脑部图像的质量，并确保参与者感到高兴和舒适。任务现在开始。放射技师之一安吉拉·埃蒙斯带我了解了这个过程。这是一个半小时的脑部扫描。前25分钟你只需要保持安静，然后就会有一个任务。任务只是观察大脑

当它实际工作时，我们在他们休息时运行一个较早的序列，然后在他们进行比大小游戏时运行两分钟的序列。我们向他们展示一系列形状和一系列面孔。它运行大约两分半钟，然后当它结束时，他们在扫描仪中还有大约两分钟的时间。当参与者在扫描仪中时，你可以在控制室看到什么？

很多图像都会出现。图像会实时显示。我们检查分辨率，确保我们获得了良好的图像，参与者安顿好了，然后按照顺序进行。

这让你对智力有了一个概念。这是我们在播客开始时听到的达乌德·达苏。你可以看看参与者之间的差异有多少是由基因组数据解释的。你可以看看我们的影像数据。你甚至可以看看历史，比如生活方式、工作、饮食等等。你也可以看看所有这些。我相信有人会找到一种方法将所有这些结合起来。

利用生物样本库数据，科学家们发现，拥有更大的大脑，特别是更大的额叶皮层，与更高的智力有关。大脑不同部位之间相互沟通的某些模式也可以预测人们在认知测试中的分数。然而，科学家们仍然无法利用这些大脑测量来解释智力中的许多差异。但是，像英国生物样本库这样的庞大数据集的使用

使科学家能够剖析我们头脑中神经元的纠缠如何使我们能够研制疫苗、将人类送上月球，甚至创造人工智能。来自世界各地的许多研究人员使用来自英国生物样本库和其他来源的数据来研究大脑智力。但是，人脑中的智力并不是一件容易确定的事情。例如，大脑中没有一个部位负责它。

而且你越深入研究，就越难以定义智力究竟是什么。所以让我们退一步，从更基本的层面看看大脑是如何工作的。为此，我和丹尼尔·格莱泽谈过。他是伦敦大学哲学研究所的神经科学家。他的工作在神经科学和人工智能的交叉领域。

我们对大脑的结构了解很多，我们对它如何工作也有很多了解，例如分子水平是如何工作的。我可以非常详细地告诉你单个神经元的结构，在整个大脑的层面上，我可以告诉你前面做什么，后面做什么。我无法告诉你的是，微观层面的差异……

造成了宏观层面的差异。因此，尽管我知道大脑的所有这些描述级别，但我无法给你一个连贯的故事，告诉你整体行为是如何从我确实知道的关于分子的所有这些精细细节中得出的。那么让我们深入了解一些精细的细节。只描述一下解剖结构

以及解剖结构是如何运作的。所以大脑是神经元的集合，也就是神经细胞。虽然神经细胞存在于全身，疼痛探测器等等，但在大脑中，它们都聚集在一起，形成一大块。几乎所有神经细胞的主要特性是它们使用电来远距离发送信号。由此可以得出两点。因此，其中一点是这些细胞通常是细长的。所以身体中的大多数细胞都是圆形的、块状的。它们有这样的形状。

神经细胞的特点是具有一个长的延伸过程，我们倾向于称之为轴突，你真的可以将这个延伸过程想象成一根电线。

像电线一样，神经细胞使用电沿着这个长的过程发送信息。因此，神经细胞是信号装置，如果你愿意，可以将信息从细胞的一个部位传递到细胞的另一个部位，沿着一个叫做轴突的长部位，它们使用电来做到这一点。就这在感知世界中的表现而言，请向我解释一下这些细胞网络是如何闻到东西或学习东西的。

我认为要理解这是如何工作的，你实际上可以追溯到大约7000万年前的进化。你可以使用化学物质来发送信息。哦，那里有东西很糟糕，退后。你可以收回你的触角。但这只在很短的距离内有效。为了让动物和细胞变得更大，生物体变得更大，它们需要在更长的距离内交流关于气味、捕食者、食物的信息。因此，如果我们可以这样说的话，进化在大约7000万年前所做的是使用一些用于细胞内信号传递的蛋白质……

并将它们连接到电信号，然后在另一端将它们转换回化学信息，然后它们使用这些化学信息来启动网络中的其他细胞，而这一见解有趣的是，在人类方面，如果我们想可靠地发送远距离信号，我们想使用某种代码，例如莫尔斯电码，因此第一条跨大西洋电缆使用了脉冲浸渍，这与进化是平行的，

可以在另一端可靠地读出。事实证明，7000万年前，进化得出了同样的见解。因此，神经细胞的关键在于它们使用电来发出信号。但这种代码不是一种或多或少、或多或少的代码。它不是一个连续调制的信号。它是脉冲。

这种通过脉冲传输信息的方式，它要么发射，要么不发射，这是你需要了解神经细胞的关键。当我们想到受神经启发的人工系统时，它正在进行阈值处理，它正在发送脉冲或没有发送脉冲，它正在执行是/否发射模式，这是为我们提供我们现在使用的所有信息处理能力的关键见解。

而且它在某种程度上是一种粗略的数字信号。一点也不粗略。它是一种数字信号，因为信息是1或0。细胞要么发射，要么不发射。思考神经细胞的一个好方法可能不是从大脑开始，而是考虑一下弯曲肌肉。你想从你的脊髓发送信号到你的手臂肌肉。如果你想让肌肉收缩更多，我将像神经元一样发出声音一秒钟，神经细胞会发出，如果你想稍微收缩一下，它会发出，

同样，如果你有一个疼痛感受器，并且某些东西有点疼痛，你会得到那个，如果某些东西非常非常疼痛，神经细胞会通过发出ba ba ba ba ba ba ba ba ba ba来发出信号

因此，我们所说的速率编码，事物发射的速率，并且可能存在更微妙的代码，是一种包含时间信息的是/否信号，而不是像你的声音细微差别中那样可能具有的幅度调制平滑信号。因此，在你的大脑中，神经元非常靠近。它们一起存在。

在代表各种功能和记忆等的网络中。因此，在你的大脑中，脑细胞、神经元是如何一起学习东西的，无论是语言还是捕食者的样子，或者其他任何东西？当神经元彼此连接时，单独或在网络中……

存在连接强度。因此，你不会从连接到特定细胞的每个细胞中获得相同的回报。所以想象一下，你有一个细胞，并且有数千个其他细胞连接到它。这数千个其他细胞正在发射。

但是来自这些细胞的每个脉冲都不会给你相同的输入到作为目标的细胞。因此，我们可以通过我们所说的突触（传入的电线）的强度来控制你从细胞获得的输入量。如果你想从人类身上打个比方，你可能会问你所有的朋友餐厅推荐，但你会更关注那些擅长美食或喜欢那种菜系或了解城市的朋友，而不是其他人。

所以他们都在说披萨、汉堡，我们应该去那家印度餐厅，我们应该去那家亚洲餐厅，等等。但是听着，你可能会说，好吧，我听到了所有这些输入，但我将上调一个，下调另一个。这就是连接的强度。在学习中……

如果事实证明你选择的餐厅是一家好餐厅……根据你的经验。你去餐厅，很棒。你会说，哦，那家餐厅太棒了。然后你说，是谁推荐了那家餐厅？你说，阿洛克。好吧，你知道吗？下次我寻找餐厅推荐时，我会上调……

与其他没有推荐的人相比，阿洛克的信号，是的，所以一起发射的东西一起连接，当神经元发射时，它会说，好吧，我很兴奋，现在我正在询问是什么输入让我到达了我现在的位置，我将微妙地上调这些输入，以便将来那些让我到达这个好地方的输入更有可能让我再次前进，这种学习，在化学水平上加强连接，发生了什么

在化学水平上，存在神经递质，它们通常会改变树突的结构，因此存在所谓的棘突，这些棘突基本上允许每个发射的神经元向该细胞释放更多神经递质。因此，它改变了神经化学，并在一定程度上改变了神经解剖学。它确实改变了神经元的微观结构，以便你从先前发射的细胞获得更多输入到特定细胞。让我们放大。

人们总是问这个问题关于智力，人脑聪明吗？但在所有这一切中，这是从哪里来的呢？

顺便说一句，如果你在网上或其他地方查找，我的意思是，就像我对任何受人尊敬的采访一样，一位采访者，我在今天早上出来之前在维基百科上查了一下。如果你在维基百科上查找什么是智力？它说这是人类擅长的事情。对。这有点滑稽，但确实存在某种循环性。因此，例如，当我们在动物甚至植物中寻找智力时，有一些关于森林具有智力的有趣内容。基本上，如果你只是加快森林的智力。

那么它们就会思考事情，它们慷慨大方，互相照顾，当它们的同伴被砍伐时，它们会感到痛苦。当我们这么说时，当我们在动物中寻找智力时，总的来说，我们正在寻找它们所做的事情，就像我们所做的事情一样，对吧？所以我可以做得比这更好，但实际上作为一个起点，智力是我们认为像什么。所以让我们分解一下。智力是什么意思？即使我们无法准确定义它，我们认为的智力的组成部分是什么？所以智力是能够思考事情的能力。

而这方面的证据是你可以将其应用于不同的领域。你可以抽象出事物来观察事物并看到它们的结构，将其应用于其他事物，将不同领域的知识应用于某些事物。这需要某种记忆、广度和理解。事实证明，语言是帮助一个人变得聪明的非常有用的工具。因此，很难想象一个人或一种生物没有任何类型的象征性抽象思维，如语言，并且仍然很聪明。这似乎非常有帮助。

做到这一点。尽管如此，当我们开始观察章鱼等其他生物时，它们表现出的行为你可能会认为是聪明的，它们解决问题，它们从经验中学习，它们思考事情，它们尝试事情，并以不同的方式再次尝试事情，而且它们可能没有内部的、你知道的、思维语言。阿洛克，这很有趣，如果你考虑任何给定的事情，例如，预测未来的能力，思考未来，你可能会认为这种计划是一件聪明的事情。问题是，一旦你写下关于智力的一件事，一个

你通常可以找到一种动物可以做那件事，对吧？如果你想要计划，那就去乌鸦科动物，比如像乌鸦一样的生物。我们称乌鸦为聪明。人们总是这么说。确实如此。那是因为它们共享我们认为自己很聪明的东西，那就是计划的能力，能力……例如，当乌鸦藏东西时，如果它们被另一只乌鸦或有时是不同物种的动物观察到藏东西，它们会走开。然后，当他们确定看到他们藏食物的人走了之后，他们会回去并将食物藏匿处移到其他地方。你为什么要这么做……

是因为你已经考虑过，当你转身时，如果你没有很快回来，看到你藏食物的人会来把它拿走。所以我们过去认为只有人类才能做到这一点。问题是，正如你鼓励我做的那样，阿洛克，一旦你定义了一件事，那就是，是的，你知道吗？智力就是那样。我可能可以找到一种动物可以做类似的事情。我找不到一种动物可以做的是我们认为聪明的所有事情，但这又有点循环，因为我们称它们为聪明，因为我们这样做。

是的。所以它有点简化，而且它在定义智力方面根本不全面。但是作为科学家，你想尝试检验假设。你想尝试

在这个有点混乱的世界中测量具体的事物。因此，就人类的智力而言，神经科学家或其他人会尝试测量或测试它的方法是什么？我们当然可以看看人们在做我们认为聪明的事情时大脑中发生了什么。

我们尤其可以在大脑的那些部位做到这一点，而这些部位比我们不那么聪明的动物要多。因此，我们可以通过观察大脑中与猴子不同的部位来学习，并且我们可以找出使我们能够进行这种复杂思维的电路。我认为智力是一种让我们操纵物体的东西。

很少有人只是聪明而不使用某种外部系统，即使他们已经内化了它。因此，语言就是一个例子，你把它放在你的头脑中。但实际上，聪明的人会很好地使用工具。在我们交谈的同时，房间里有一位非常友好的工作人员正在操作一些复杂的录音设备，你正在使用Mac来组织你的思维并查看问题。那是

智力。我们使用这些辅助工具。实际上，当我们想到大型语言模型和人工智能的当代发展时，我们这些聪明的人所做的事情之一就是充分利用这些工具。现在，

现在，我们也欺骗自己，认为它们也可能很聪明，但没有人真的认为他们的手机很聪明。但如果他们很聪明，他们会用它来增强自己的智力。通常它会因为过度滚动而打败你的智力，但你可以通过明智地使用维基百科或以有帮助的方式存储信息来扩展自己。这种使用工具的能力是我们观察到的人类历史中的一种现象，实际上，当这些额叶发展成为智力的标志时。

我们智力真正腾飞的时候。手机的例子很有趣，不是吗？连接到互联网的手机，基本上是一台小型电脑，具有内存。它也具有一些推理能力。正如你所说，这些是智力的标志，但它并不具备所有东西。它不像人类那样计划或抽象事物。但我猜想这是不同类型的智力，但我们永远不会称它为聪明。你说得对。总的来说，这是对的。我的意思是，我认为关于归因智力是一个值得思考一下的有趣问题。

快进到大型语言模型，像大型语言模型和机器学习这样的人工神经网络，我认为我们不可避免的能力，我们无法关闭它，使它们看起来很聪明，使我们能够更有效地使用这些工具。这并不意味着它们很聪明。

但是将它们视为聪明能够使我们更有效地与它们互动。当我们问，我相信你会问，阿洛克，这些机器是否聪明时，我们必须时刻警惕人类这种将智力归于他人和机器的先天能力，这会在我们试图对我们制造的新机器做出判断时误导我们。好吧，我们已经讨论了定义人类智力的困难。我们已经讨论了实际定义的困难

尝试在所有不同层次上理解它，从整体层次到细胞层次，显然还有很多东西需要学习。但我猜想如果我们尝试理解

所有这些知识如何导致如何进行人工智能的人工部分。因此，当我们谈论寻找受智力启发的方法来制造其人工版本计算机科学家时，尝试根据人脑构建人工智力是一个好主意吗？我想这是他们唯一的方法，对吧？好吧，

好吧，当计算机科学家试图制造更聪明的机器时，他们观察到的一件事是，也许人类思维方式中重要的是湿的东西，是神经元。因此，我们可以问，他们发现了神经元的哪些特性，以及他们是如何实现它们的？

实际上，他们确实回到了最基本的原理。因此，要理解神经网络在计算机中的意义，也就是大多数机器学习算法的工作方式，你只需要从一个神经元开始。它是一种从许多其他神经元接收输入的设备……

并非所有神经元的影响程度都相同，这些被称为权重，这对于微小的蠕虫也是如此。每一个连接到另一个神经元的突触都会以不同的程度激发它，它会根据这些输入来判断是否超过兴奋阈值，如果超过了，它就会“砰”地一声，这个脉冲就会传递到下一个神经元。

架构，并在其上叠加一个学习规则，就像我们之前所说的那样，“一起激发的神经元，一起连接”。因此，通过调整神经元之间的权重来上调那些倾向于在良好环境中激发神经元的因素，这两个简单的见解就能赋予你一台功能强大的计算学习机器。现在，当我们谈论这些神经网络时，它们实际上是在数字架构中实现的。

所以很有趣的是，你有一个老式的数字计算机，就像你台式电脑或手机中使用的类型，但它运行的是这些非常简单的神经元的模拟。同样，如果你考虑一下人类神经元的精细微观结构，那将需要……

你知道，即使是单个的人类神经元，也需要数年时间才能描述清楚。所以，我们将其抽象成一些输入、一些权重和一个激发模式。因此，这个非常简化的神经元是所有构成机器学习和当前人工智能基础的人工神经网络的基础。接下来，我们将继续这个思路，从人体细胞转向硅芯片，看看创建人工大脑的第一次尝试。

现代人工智能的“教父”之一将告诉我们，他的计算机系统第一次展现出丹·格莱泽告诉我们的某些技能。所有这些都即将到来。

不过，首先，快速提醒一下，这是《巴贝奇》的免费剧集。要继续收听我们关于人工智能的特别系列节目，你需要注册Economist Podcast Plus。现在是注册的最佳时机。我们正在促销。每月订阅费用不到 2.50 美元。但要快点，优惠将于 3 月 17 日星期日结束。

作为订阅者，你不仅可以访问我们所有专业的每周播客，还可以加入我们参加《巴贝奇》有史以来第一次直播活动，该活动将在本系列节目结束后举行。

该活动将于 4 月 4 日星期四举行，届时我们将尽力回答你关于人工智能背后科学的尽可能多的问题。不要错过。你可以提交你的问题，查看你所在地区的开始时间并预订你的位置，方法是访问economist.com/aievent（一个单词）。链接在节目说明中。

今天在《巴贝奇》节目中，我们了解了大脑的工作原理，并试图解释那些想要构建智能系统的计算机科学家是如何受到神经科学家已经发现的成果的启发的。但计算机科学家并不想构建物理神经细胞的人工版本，而是想要构建虚拟神经元。这将引导我们进入下一步，从而加深我们对现代人工智能背后科学的理解。问题 2：

第一个人工神经元是什么？为了回答这个问题，我们跨越大西洋来到马萨诸塞州的波士顿。从波士顿市中心穿过查尔斯河后，主街车水马龙，这里云集着一些世界最大科技公司（谷歌、脸书和 IBM）的办公室。

这座城市的部分地区被称为地球上最具创新力的平方英里。公司之所以被吸引到这里，是因为该地区由两家机构主导，即哈佛大学和麻省理工学院（MIT）。

地球上很少有地方在现代人工智能的发展中发挥了更重要的作用。我们对智能进行数学思考和模拟大脑的探索可以追溯到 1943 年。

沃伦·麦卡洛克和沃尔特·皮茨在那里介绍了神经网络的概念。丹妮拉·罗斯是麻省理工学院计算机科学与人工智能实验室（也称为 CSAIL）的主任。他们发表了第一个数学模型，当时人们认为该模型捕捉到了我们大脑中发生的事情。如果大脑中神经元的工作方式可以用数学来解释，

那么大脑的网络肯定可以用计算机代码来复制。麦卡洛克和皮茨教授认为，具有类脑架构的机器可以拥有强大的计算能力。早期的人工神经元是一个非常简单的数学模型。你有一个计算单元，它从其他来源（可能是其他单元）获取输入数据，

输入由参数加权。然后，在人工神经元内部，计算非常简单。这是一个阈值计算。本质上，如果输入的总和大于给定的阈值，则神经元输出 1，否则神经元输出 0。

因此，计算是离散且非常简单的，本质上是一个阶跃函数。你或者高于某个值，或者低于某个值。人脑中的神经元也使用离散函数运行，丹·格莱泽之前也提到了这一点。它们要么激发，要么不激发。康奈尔大学的一位心理学家弗兰克·罗森布拉特继续发展这个模型，创造了一个人工神经元，一个他称之为感知器的数学函数。

起初，感知器似乎很有前景。在学习了一些例子之后，感知器可以做一些基本的事情，对机器以前没有分析过的输入给出是或否的答案。假设你向模型提供了一些关于运动队运动员力量和速度的数据。通过学习这两个变量，模型可以回答新运动员是否可能被接受进入球队。然而，随着该领域的成熟，

感知器的缺陷变得越来越明显。因为感知器只像单个人工神经元一样工作，所以它们无法被训练来识别更复杂的模式。例如，那些既不特别快也不特别强壮，但技术非常好的运动员怎么办？

1969 年，马文·明斯基和西摩尔·帕普特合著了《感知器》一书，该书证明，从数学上讲，如果你只有一个单层神经网络，那么你只能计算线性函数。如果你可以计算线性函数，那么你就可以有一个封闭形式的解。不需要机器学习。实际上，在书中，

这项工作引发了第一次人工智能寒冬，因为人们对未来可能实现的目标失去了信心。很明显，如果人工神经网络要发挥作用，它们必须拥有更多层的感知器来处理现实世界的复杂性。在丹妮拉提到的 AI 寒冬期间，资金减少，人们对创建人工神经网络的想法的兴趣也减弱了。

直到 20 世纪 80 年代才取得了很少的进展。但一些研究人员在那段时间内坚持了下来，他们找到了创建智能机器的其他途径。1950 年，艾伦·图灵在他的论文《计算机器与智能》中介绍了一个非常重要的机器智能基准。这篇论文介绍了图灵测试。

这个想法是，如果你试图与一台机器进行对话，并且你无法分辨出你是在与一台机器还是与一个人交谈，那么你就能知道这台机器是否智能。因此，已经有很多努力来构建符合图灵测试的智能机器，尤其是在麻省理工学院。

最早的系统之一叫做 ELIZA，ELIZA 长期以来一直吸引着人们。ELIZA 是最早的所谓聊天机器人之一，它在 1966 年风靡一时。它的创造者约瑟夫·魏泽鲍姆让这个机器人扮演一名心理治疗师的角色。用户会在电动打字机上输入一条消息，机器会回复。

男人都一样。在哪些方面？他们总是为一些事情烦扰我们。你能想到一个具体的例子吗？嗯，我的男朋友让我来这里。你的男朋友让你来这里？他说我大部分时间都很沮丧。我很抱歉听到你很沮丧。这是真的。我不开心。

早期的 AI 系统使用了所谓的许多基于规则的系统。因此，你需要解决一个问题，你需要确定一些规则，然后编写一个根据规则集做出决策的程序。这有时被称为“老式人工智能”。ELIZA 没有使用人工神经网络，也没有从其输入中学习。相反，语言模型识别关键词并将它们以简单短语或问题的形式反映出来。

据说是模拟你与治疗师的预期对话类型。它几乎就像一面镜子。Eliza 没有通过图灵测试。这实际上是重点。该机器人的研究人员设计 Eliza 的目的是为了展示人机对话的现状是多么肤浅。但实际上，它产生了相反的反应。人们开始与计算机程序进行长时间、深入的对话。

你知道，这真是令人难以置信。就好像它真的理解了我说的话。但它当然没有。它只是一个技巧的集合。哦，我明白了。它对我所说的话一无所知。ELIZA 不是一台智能机器，但它让人们停下来思考，如果人工智能真的出现，世界将会是什么样子。

也许这也是人类第一次表现出我们多么愿意相信，如果计算机用我们自己的语言与我们交谈，它们可能是智能的。这是丹·格莱泽之前描述的人类天生想要拟人化我们周围世界中一切事物的另一个例子。

当然，在 ELIZA 出现后的几十年里，聊天机器人变成了聊天机器人。而这还不是全部。如今，我们与聊天机器人的对话很容易通过图灵测试。但是，我们今天看到的聊天机器人的技能是如何从 20 世纪 60 年代的原始人工智能中发展出来的呢？是什么让人工神经网络的理论在实践中真正发挥作用呢？

其核心在于，人工神经元必须像人脑中的神经网络一样层层叠加。因此，在 20 世纪 60 年代末，研究人员提出了深度神经网络的概念。几十年后出现的深度学习革命，在很大程度上要归功于三位后来被称为人工智能“教父”的科学家。

我们正在构建的系统是如此愚蠢、如此薄弱，而且如此难以训练。这是所谓的“教父”之一约书亚·本吉奥所说的话。他是蒙特利尔大学的计算机科学家，也是深度学习发展中的关键人物。当我开始阅读 80 年代早期的一些早期神经网络论文时，让我真正兴奋的是，我们自己的智能以及我们的大脑

可以用一些原理来解释，就像想想物理学是如何运作的一样。我们是否可以对理解智能做类似的事情？当然，

利用这些原理来设计智能机器。事实上，它也朝着另一个方向发展，因为我们在计算机上可以进行一些实验，而我们无法在真实的大脑上进行。因此，我们在人工智能方面所做的工作也为大脑的工作原理提供了信息。所以这是一条双向的道路。这种协同作用以及也许存在一个我们可以作为科学工具进行交流的智能解释的想法

理论是我进入这个领域的原因。跟我们谈谈在硅片中模拟人脑的挑战是什么。嗯，我们没有试图在硅片中模拟人脑，因为这似乎是一项过于艰巨的任务。相反，我们研究了神经科学中最简单的模型，看看我们如何调整它们。在我攻读博士学位初期，

我们试图使用这些系统对简单的模式进行分类，例如字符或音素的形状，使用我说的“啊、e、哦”的声音录音，一个神经网络（这是受大脑中神经元启发的非常简化的计算），一个神经网络能否学会区分输入中不同类别的对象？

我从 80 年代中期到 2000 年代中期一直在研究这个问题。你尝试使用神经网络做的第一件事是什么，以证明它们是有用的？所以在 90 年代，我从事这些模式识别任务，包括语音和图像分类任务。

并出现了工业应用。例如，我参与了一个项目，使用神经网络对支票上的金额进行分类，以自动化确保你在银行存入的支票金额正确的过程。这实际上在 90 年代部署在银行中，并处理了大量的支票。所有之前尝试过的方法都没有做得很好，因为

人们之间存在如此多的差异。我们以不同的方式书写。所以这并非易事。而且这已经是一项具有很大经济价值的事情，可以应对这一挑战。下周，我们将研究人工神经网络如何让机器学习。我们还将研究巧妙的数学方法是如何让这一切发生的。

人们意识到，如果你可以插入一个中间层（有时称为隐藏层），这些系统实际上可以计算更多的函数。下次《巴贝奇》节目中再见。感谢丹尼尔·格莱泽、丹妮拉·罗斯、约书亚·本吉奥、《经济学人》艾恩斯利·约翰斯顿以及她在英国生物银行采访的所有人员。

感谢您的收听。要继续了解现代人工智能的下一阶段，请订阅Economist Podcast Plus。点击节目说明中的链接了解更多信息。《巴贝奇》由杰森·霍斯金和库纳尔·帕特尔制作，尼科·罗法斯特负责混音和声音设计。执行制片人是汉娜·莫里尼奥。我是阿洛克·贾，我在伦敦，这是《经济学人》。

现在，来自 AT&T 业务的下一阶段时刻。假设你发送了一批巨大的枕头，它们需要及时到达国际睡眠日。你拥有 AT&T 5G，所以你充满信心。但供应商没有回应，国际睡眠日是明天。幸运的是，AT&T 5G 让你可以轻松处理任何问题，因此枕头将被送达，每个人都可以睡个好觉，尤其是你。AT&T 5G 需要兼容的计划和设备。并非所有地区都提供覆盖范围。访问 att.com/5Gnetwork 了解更多信息。