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！
颐谴有矶嘧榈慕幔╪odes）或单元开始，这些结或单元通常称之为神经元，不过我们对大脑中个体的神经元到底对应于什么，还远没有弄清楚。每一个单元用比特来描述每一时间瞬间的特性，1个比特（0 或1）是用来指出“神经元”是触发了还是没有。每一个单元都与其他某些或所有单元有关联，而任何单元对任何其他单元的影响的强度可以是正，也可以是负，这决定于这两个单元的运作。如果第一个单元激发了第二个，就是正；如果抑制了，就是负。在学习过程中，这些影响的强度不断地在变化。神经网络计算可以在一般的计算机上实现。在这种情形下，单元和单元对其他单元的刺激或抑制效应，由软件负责。这时单元仅仅作为计算的元素而存在。为实现网络，也可以利用特殊的计算机硬件，这时网络将由分离的计算单元组成， 而这些单元则按并行处理格式（ parallelprocessing format）安排。
有许多问题已开始由神经网络计算来处理了，其中一个例子是学习用正确发音来大声朗读英语课本。因为英语拼音常常不按语音学规则，这是众所周知的，因此大声朗读的练习十分重要。计算机发现了大量的通用规则和一些意外的情形，这些意料之外的情形可以看成是特殊的附加规则。花了足够的时间和朗读了足够的课本之后，不仅那些通用规则而且那些特殊的规则都会呈现出规律性。利用神经网络来学习大声朗读英语，必须发挥它作为一个复杂适应系统的作用。还必须在一批教材中，对各种规律性东西进行各种试验性识别，把有关规律性的信息压缩成图式，然后把这些图式用于更多的教材，让它们与其他图式进行竞争，以便尽可能得到正确的发音。这种学习称之为有监督式学习（su…pervised learning），它与另一种发音图式不同，这后一种图式是用英语讲话给计算机听，看它们能不能听懂。但这种图式并不为人们提供有用的正确答案。而有监督的学习则根据一种教材正确的发音与根据图式得到的发音之间的大量差异，指出什么是合适的发音。
在NET（网络）对话时，正如赛伊洛夫斯基（TerrenceSe…jnowski）和罗森伯格（C．R．Rosenberg）在1987 年改进的那样，输入数据由7 个连续的字符组成（每一个字符可以是26 个字母中的一个，或者是一个空格、一个逗号，也或者是一个句号），这些字符根据某本书面英语教材（written English text）确定。然后在一个移动窗口显示，并逐步对整个段落进行扫描。输出则是七个字符中间那个字符的发音编码；这个编码馈入一个语言发生器。
输入与附有一组7×29（=203）单元的比特是一致的，而输出则与26个其他单元有关的比特相一致。还有80 个附加单元帮助学习。这个图式用几组相互作用强度来描述，这儿的相互作用限制在输入单元作用在辅助单元上的效应，和辅助单元作用在输出单元的效应上。所有其他相互作用强度选定为零，恰恰只需保持过程易于管理就行了。
网络要被调试成可以利用1024 个单词组成的字符，伴以“教师”（这教师是对所有字符编码后的序列）给出教材上的正确的英语发音。在首次调试操作时，要把整个教材过一次，强度从任意值开始，然后当7 字母窗口的中心一个字母跟随一个字母地扫过整个教材，在这过程中改变强度（利用一种专门知识）。在每一步中，输入和强度必须馈入一个简单的公式，这公式可以指出试发语音的候选输出值。在正确发音和候选输出之间的差异就被减化到利用一个相关的简单公式来修正其强度。首次调试操作结束时的强度，被作为用同样1024 单词作第二次调试操作的初始强度。以后照此调试下去。
调试成功意味着在最类似正确发音值附近，强度只有小小的偏离，而不会有太大的涨落。如果1024 个单词在10 次调试操作后就能清晰地讲话，那么在50 次调试操作后，其发音的精确性估计可达95％的水平。在调试之后，最终的强度可以用于读其他一些教材，而且用不着再教。清晰地讲话，其精确程度已达到78％了。神经网络的复制程序还多得很，它们可以用来解决许许多多的问题，而且通常都取得相当的成功。这些图式常常用一组相互作用强度来描述，每一种描述都描述了一个单元作用于其他单元的效应。我的一位加州理工学院的同事霍普菲尔德（John Hop… field）在1982 年指出一种情形，如果人为地对这些强度施加影响，那就不仅允许明确界定的适应性，而且在学习过程中还会不断增加适应性。我们要求任意单元A 作用到另外一个单元B 的强度，与B 作用于A 的强度相同。这种情形对真正的大脑来说，几乎肯定是不现实的，并且也违背了许多成功的神经网络的情形，包括NET对话。但是，这种情形很有启发意义，的确在有些情形中，适应性既可明确界定又可不断增加，而在其他情形下不能如此。
如通常的情形一样，当明确界定适应性这个概念以后，学习过程就是在一个适应性景观中探索一个凹部的过程。如果适应性还在不断地增加，则高度不断降低，这样，就会常常出现这样的问题，适应性将落进深谷旁边的浅洼里，但是可以由引入噪音而得到改善。以上情形可以用轻微改变强度来实现，改变要经常随机地进行。当人们想寻求创造性思想时，这些在图式之内的随机变化类似于那些让人们慢慢走出思想常规的建议。如通常情形一样，这儿有一个噪音的最佳水平。作为一个复杂适应系统的遗传算法
既然神经网络是以大致上与较高级动物的学习类似的情形为基础，人们可能会问：以计算机为基础的复杂适应系统，能不能被看作是一种与生物进化的近似呢？密执安大学的霍兰德（JohnHolland）在这方面作了开拓性研究，他还是圣菲研究所的主要支持者。这个系统利用了“遗传算法”（genetic algorithm，这是一种特殊的“分类器系统”）软件和传统的计算机硬件。至今为止，这个系统大部分被用来解决那些适应性已被明确界定的问题，例如为西洋跳棋获胜制定策略，或为最便宜价格设置线路系统等等。不过，我们没有理由认为这些系统不能用于其他种类的问题。
对遗传算法软件可以用一种高度简化的描述。每一种图式对一个候选策略或方法，都是一个计算机程序。每一个这样的程序都是由许多计算机指令组成。图式的改变由这些指令的改变来完成，举例说，有两个指令像图20—1 所示，正经历一种交叠过程，这种过程在生物的有性繁殖中可以出现。这两个指令在某一点都可以分成一个开始或者一个结尾这样的两部分。交叠（crossing…over）则引起两个新指令的产生。其中一个新指令由第一个旧指令的开始部分和第二个旧指令的结尾部分组成；另一个新指令则由第二个旧指令的开始部分和第一个旧指令的结尾部分组成。用新指令代替一个或多个指令的办法修改一个计算机程序，有时可以改进指令的适应性，但有时也会削弱其适应性。要想判断每种修正的价值，只有将不同的程序在要解决的问题上进行实图20—1 计算机指令的交叠验才行。（所谓“信用测试”（credit assignment）就是要作出这种困难的判断。）约翰·霍兰德的分类器系统提供了一种市场，其中竞争指令是买和卖。那些可以记录改进程序性能系统，比起那些性能没有改进或更差一些的系统，其价格应该要高一些。在前者的情形下，系统具有有序指令表。新的指令不断地进入，而指令表底端的一些指令被删除，为新指令留下空地方。指令表顶部的一些指令用于修正了的程序，这些程序构成变化了的图式。
这仅仅是对于一个十分复杂的过程最粗略的草图。即使如此，十分清楚的是，程序逐渐成为一个结果，而适应性则在进化过程中有增加的趋势。一个程序的性能所具有的反馈不是一个刻板的规则，但是一般说均有受市场条件影响的趋势。因此，在系统中有足够的噪音允许逃离较小的适应域，于是附近的深度可以被查明。具有一般性的是，这系统探寻出一个巨大的可能方法或策略的空间，而并不达到一个稳定的状态——一种绝对的最佳状态。例如在下棋时，最佳策略至今仍未发现。但是，如果我们下的是三连棋，那么，机器将很快发现最佳下�