淺談一下神經網絡、混沌與人工智能的主觀理解

        很多同學把神經網絡看的太過於複雜，但其實可以不這樣看，不要一上來就盯住公式和定理，而是先建立一個宏觀概念，再去不斷填補問題，這樣的方式是學習一個新鮮事物最簡單易行的。

        就我個人觀點，其實所謂的神經網絡無非就是增加了各參數之間的耦合性，然後利用IO兩側的大數據，去修正這些參數，讓它們在耦合之中，模擬出這兩側大數據之間的規律。現在我具體解釋一下這句概括：神經網絡可以看成是一個盒子，裏面由很多個小盒子組成，每個小盒子之間呢，都是存在某種耦合關係的，而這些盒子的數量和關係，就決定了參數的多少與整個系統的階數，盒子越多，可以存放的決定性因素就越多，而耦合關係越複雜，可以變幻的方式就越多，在數學上看也就是系統的階數越高。我們學過馬克思辯證法的都知道，世間萬物之間是必然存在聯繫的，那麼任意兩側的大數據也就存在着某種映射規律，所以，階數越高，這個規律就可以越複雜，那麼，當你直接用這些大數據去修正參數其實就是在通過參數和結構去擬合規律。這是神經網絡的優點也是缺點，因爲這樣找出來的規律它不能變成邏輯，而沒有邏輯就意味着你無法理性思考輸入I的輸出O是什麼，你也無法得知這個樣本庫之外的輸入會得到什麼輸出，因爲是大規律，所以神經網絡不會因爲某個特別點而變化太多，但可以加入事件驅動來解決這個問題。

        而對於混沌系統呢，比如說對某個國家未來十年的發展評估，這裏面涉及到的因素太多了，無論是某個因素的精度還是因素數量的精度，還是因素之間的耦合程度的精度，都直接影響了未來的評估，哪怕只有無限趨於1和1本身之間這個無窮小量之間的差距，未來也會預測的完全不一樣，所以這就是一個混沌系統，而從實際來說，現實中一切系統都是混沌的，這意味着你必須抓住大規律，這就像是神經網絡，它對大數據的學習就是模擬大規律，而某幾個不正常的數據並不會改變規律的作用，這裏的不正常指的是不具有統計規律的數據。所以對混沌系統的控制一定要以大規律爲基準，個別的具體問題具體分析！

       人工智能其實就是利用類似神經網絡這種學習方法去模擬規律的，也就是說，但凡能夠滿足參數容納、結構耦合與參數修正這三個要求的方法，都是學習方法，都可以用來構建人工智能，而現在對人工智能的研究，還主要在決策判斷上，其實就是各種變形的分類問題，但是對實時性方面的研究並不是很理想，在我看來，一個好的機器人，應該是儘可能的通過機械結構去實現，當然是在重量體積複雜度等要求下的儘可能，而最終必須利用控制器的地方，再使用它來完成，按照這種理念設計的機器人才是我認爲的最佳設計。