深度学习的发展历程

深度学习的发展历程主要分为三个重要的阶段。

第一个阶段是图灵测试：

图灵测试（The Turing test）由艾伦.麦希森.图灵提出。1952年，在一场BBC广播中，图灵谈到了一个新的具体想法：让计算机来冒充人。如果不足70%的人判对，也就是超过30%的裁判误以为在和自己说话的是人而非计算机，那就算作成功了。具体的指测试者与被测试者（一个人和一台机器）隔开的情况下，通过一些装置（如键盘）向被测试者随意提问。进行多次测试后，如果机器让平均每个参与者做出超过30%的误判，那么这台机器就通过了测试，并被认为具有人工智能。

第二个阶段是来自于医学上的发现

1981年的诺贝尔将颁发给了David Hubel和Torsten Wiesel，以及Roger Sperry。他们发现了人的视觉处理信息是分级的。从视网膜（Retina）出发，经过低级的V1区提取边缘特征，到V2区的基本形状或目标的局部，再到高层的整个目标（如判定为一张人脸），以及到更高层的PFC（前额叶皮层）进行分类判断等。这个生理学的发现，促成了计算机人工智能，在四十年后的突破性发展。计算机专家仿照人类大脑由低层到高层逐层迭代、抽象的视觉信息处理机理，建立深度网络模型。深度网络每层代表可视皮层的区域，深度网络每层上的节点代表可视皮层区域上的神经元，信息由左向右传播，其低层的输出为高层的输入，逐层迭代进行传播。从学习算法的定义可知，模拟人脑视觉处理信息的机理的深度网络主要目的是通过对历史数据的逐步学习，将历史数据的经验存储在网络中，且经验伴随着学习次数的增多而不断提高。从深度网络的结构可以看到高层神经元的输入来自于低层神经元的输出，同层神经元之间没有交互。若输入层为输入数据的特征表示，则可以理解为高层的特征是低层特征的组合，从低层到高层的特征表示越来越抽象的人类视觉系统信息处理过程。

第三个阶段就是深度学习（Deep Learning）

深度学习是机器学习的一种，而机器学习是实现人工智能的必经路径。深度学习的概念源于人工神经网络的研究，含多个隐藏层的多层感知器就是一种深度学习结构。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征，以发现数据的分布式特征表示。研究深度学习的动机在于建立模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本等。目前深度学习也广泛运用于人工智能的许多领域，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。