{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"094ce2a7-d7e6-4de6-a84c-9994a96a3c4a","title":"被算法操控的生活：重新定义精准广告、大数据和AI","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787571003012","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"094ce2a7-d7e6-4de6-a84c-9994a96a3c4a","id":"094ce2a7-d7e6-4de6-a84c-9994a96a3c4a","uuid":"094ce2a7-d7e6-4de6-a84c-9994a96a3c4a","title":"被算法操控的生活：重新定义精准广告、大数据和AI","normalized_title":"被算法操控的生活重新定义精准广告大数据和ai","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787571003012","isbns":["9787571003012"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":257,"navigation_url":"https://workshop.closeclaw.top/ai/book/094ce2a7-d7e6-4de6-a84c-9994a96a3c4a","title_url":"https://workshop.closeclaw.top/ai/title/%E8%A2%AB%E7%AE%97%E6%B3%95%E6%93%8D%E6%8E%A7%E7%9A%84%E7%94%9F%E6%B4%BB%EF%BC%9A%E9%87%8D%E6%96%B0%E5%AE%9A%E4%B9%89%E7%B2%BE%E5%87%86%E5%B9%BF%E5%91%8A%E3%80%81%E5%A4%A7%E6%95%B0%E6%8D%AE%E5%92%8CAI","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/094ce2a7-d7e6-4de6-a84c-9994a96a3c4a/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/094ce2a7-d7e6-4de6-a84c-9994a96a3c4a/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/094ce2a7-d7e6-4de6-a84c-9994a96a3c4a","page_url":"https://workshop.closeclaw.top/api/ai/books/094ce2a7-d7e6-4de6-a84c-9994a96a3c4a/page","search_url":"https://workshop.closeclaw.top/api/ai/books/094ce2a7-d7e6-4de6-a84c-9994a96a3c4a/search"},"page":{"printed_page":207,"pdf_page":227,"physical_index":227,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"b44f17b7cc5973b22863f90686758bad521c2613fd9bc9d93e21b9e7bd097289"},"chapter":"第15章|计算机作家","content":"谷歌的解决方案很大程度上要归功于一种叫作“卷积”（convolution)的数学方法。我们经常将convoluted(意为“复杂的”，“费解的”）这个词用于convoluted explanation（复杂的解释）这一词组，代指复杂深奥、千头万绪、一言难尽的事情。对于学玩游戏的神经网络来说，最复杂的是游戏的截图。当算法玩《太空入侵者》时，输入到神经网络的是雅达利2600系列游戏机上像素为210×160的屏幕画面。在神经网络的第一个隐藏层中，初始屏幕截图会被拉伸为一系列更小的图像，这些更小的图像随后被输入到网络中的隐藏神经元（图16.1)。新产生的图像在第二层和第三层的网络中重复前面这个过程，然后在更深的隐藏神经元中产生更小的图像。到了这一步，初始屏幕截图已经被高度卷积：它现在由大量的小图像组成，每个小图像只捕获整体图像的一小部分。这些小图像存在一定的重复性，因此难以被置于一个大的背景下，就像你某个叔叔没完没了地给你讲那些学生时代的故事一样。\n\n通过将这些小图像传至第四层和第五层，深层的神经网络可以将这些图像拼到一起（图16.1)。第四层和第五层的神经元之间有丰富的连接，神经网络正是在第四和第五层中学习小图像和最佳操作之间的关系。也正是在这里，它分析出了游戏中重要物体的大小。如果在网络学习的游戏里面，重要的物体都很大，比如《拳击》中的拳击手，那么网络就会在相近的神经元之间形成很多非常相似的连接；如果这些物体很小，比如太空入侵者，或者Q伯特打算染色的六边形，那么神经元之间的连接将会更加复杂。如果物体可以改变大小，就像《机甲坦克大战》中的坦克一样，那么不同卷积层之间的连接就会变得相似。卷积神经网络是一种异常强大的技术，因为它可以自动地找到重要物体的大小和形状，而不需要程序员来告诉它要寻找的目标物是什么。\n\n卷积神经网络的概念在20世纪90年代左右就出现了，但在很长一段时间里，它都只是许多被认为可以用来帮助计算机检测模式的算法中的一种。直到亚历克斯·克利泽夫斯基（Alex Krizhevsky）2012年在加利福尼亚州塔霍湖举行的神经信息处理系统（Neural Information ProcessingSystem）大会上做了一场为时四分钟的报告，研究人员才开始特别注意卷积方法。这个大会每年都会举办一项比赛，内容是让人工智能自动识别图片中的不同物体，亚历克斯也参加了那年的比赛。对于人类来说，完成这项任务易如反掌。这些照片呈现各种各样的场景：一群正在炫耀他们捕到的大鱼的男人、一排豪华的超级跑车、一个挤满人的酒吧和两个正在自拍的女人，以及其他五花八门的生活场景。算法玩家的任务是找到图中的物体，也就是鱼、人、汽车、酒吧里的人，以及用来自拍的手机。在亚历克斯向参会者介绍他的研究之前，人们认为这个图像识别任务是非常困难的。即使科学家针对这个问题调整了算法，人工智能在执行这项任务时，每四次也至少会有一次出错。\n\n第三部分\n\n人工智能的未来算法越来越像人类了吗？\n\n207","previous_page":206,"next_page":208}