人工智能：函数协议定义的神经网络

与真实的人脑不同，现阶段由人工模拟的智能化大脑，都是由多个简单物理原件构成的机械体。而这些物理原件则通过特定的函数定义，来完成信息的传递与发送。一般而言，每一个人工智能化大脑的设定，都需要大量物理元件的精准配合，而由这些物理元件相互勾连组成的网络化集群，就是人工神经网络的基本构架。需要注意的是，单纯依靠这些冷冰冰的物理原件，还远远达不到交互信息的作用。在这里，数字函数起到了最为关键的作用。

英国发明家约翰·瑟尔曾经这样简单解析过数学函数在人工神经网络方面的应用：“人的肢体行为是由脑部神经元协调控制的，这些神经元由人体神经串联，执行大脑发布的指令。而一个物种脑体内的神经元越多，它的反应和认知能力就越大。老鼠体内有一亿个神经细胞，蜗牛只有一万个，中间差距一万倍，这也正是为什么老鼠会比蜗牛灵敏很多的原因。而通过人为制造，现代科学家也模拟出了很多类似人脑神经元或者类神经单位的东西。这些物理原件本身相互之间是不存在生物学范畴关联的，如果想要它们之间互相发生联系，就需要利用数学函数的关系，因为从理论上来说，函数方程式的限定能力更为宽泛，同时也更加精准。”在这里，我们可以借助一些实验性模拟来验证瑟尔先生的言论。

比如两组尚未定义的人造神经元，我们先将其简单命名为“神经元X”和“神经元Y”。在研究过程当中，我们为这两组神经元设定了一个函数，那就是“X=0.5Y”。有了这一层关联之后，当两组神经元发生接触时，就会通过“X=0.5Y”这样的基本规律来进行相互转换。稍微增加一点难度，现在我们将人造神经元再增加一组，命名为“神经元Z”。新加入的“神经元Z”只能跟“神经元Y”相连，函数定义为“Z=2Y”。那么，当“X”向“Y”传输了1单位的参数之后，“Y”读取显示的参数值就是2。这个信息继续通过“Y”导向“Z”，那么“Z”最终经过数学运算，得出的结果参数就显示为4。从过程上来看，“神经元X”提交了参数“1”，“神经元Z”得到了参数“4”。所得到的结果看起来是非常简单的，但是如果我们剖析参数“1”在整个数据传输过程当中的经历，就会发现，它实际上是经历了两道不同函数方程式转化的。而这样一个经由函数转化定义的网路，也就是人工神经网络最基本的工作流程。在一些更为精密的程序当中，神经元之间互相勾连的函数协议自然会更加复杂。

那么，用函数协议来限定人工神经元之间的转化，这样做到底都存在哪些优势呢？正如瑟尔先生所讲的那样，函数在定义范围和精准程度上，都具备非常强大的功能。与此同时，由函数界定的方程式，在修改调试方面也极具灵活性。这对于结构繁复的人工神经网络来说是非常重要的。

首先，从定义范围方面来阐释函数协议应用于人工神经网络的优势。从一定程度上来讲，函数实际上就是一种规律的集合，将不同的参数放入函数协议之后，映射出来的结果往往也是不同的。但是无论参数和映象如何变化，函数协议当中的元素都是始终遵循相同规律的。与此同时，只要是符合这一则协议的元素，也都被这个函数方程式囊括在内了。比如有一组神经元的编程协议为：“Y=X2/Y=0.8N，且限定Y＞100”，其中Y就代表这组神经元本身，X和N都分别代表不同的关联神经元。那么，相应的神经网络当中，神经元“X”和神经元“N”的变化都会影响到Y的最终数值。与此同时，关于“Y”的限定，又决定了“X”和“N”必须满足一定阈值需求。很显然，这样的函数协议，阐释的是一个所有符合规律的大集合，这对于需要进行大量识别、读取工作的人工智能体来说，是非常必要的。(www.xing528.com)

其次，在精准程度上，由函数界定的人工智能网络也能运算得非常到位。在这里，日本著名机器人设计师黑石浩教授就说道：“人工智能之所以能非常精准地完成任务，逻辑完善的编程居功至伟。而在各类编程当中，函数运算又起到了不可忽视的作用。”比如假设有这样一个机器人，它的身份是公交车售票员。设计者给它设定的程序是“1.2米以下免票”，转化到相关神经元的工作函数上，反映为A=a/A=b。其中a表示需要付费，b表示不需要付费。那么，在关联神经元传达过来的数据，使得A处于b范围当中时，机械售票员就会免除乘客的费用，反之则会关闭通道，拒绝来客。

最后，在修改调试方面，函数协定的灵活程度也是非常明显的。就如同机械售票员的示例一样，假如交通公司更改规则，限定身高0.8米以上的乘客都需要购票，那么只需要程序员修改机械售票员体内的相关阈值，就能实现这一目标。

所以说，函数协议在人工智能方面的应用是非常广泛的。由于人造的物理元件在本质上并不能产生交互信息的功能，那么在这个时候，利用函数协议将这些元件互相关联，就能起到激活整个人工神经网络的目的。与此同时，函数协议在精准程度、限定范围，以及修改灵活性方面也都具备良好的性能，而它能广泛应用到人工神经网络当中来，也就不足为奇了。