人工智能中神经网络发展缓慢的原因

人工智能是现在十分火热的技术和话题，可见当下科技发展的魅力尤其是人工智能领域给人们的生活带来极大的提升和便捷，手机中和各类智能产品的智能语音对话也给我们的生活带来了很大的乐趣。而人工智能的核心技术是机器学习以及深度学习神经网络，但是神经网络技术的发展当前十分缓慢，究竟个中的原因是什么呢？

1.反向传播算法对神经网络的影响

通用计算机的出现使得人工神经网络的研究经历了一波复苏。同时，一种算法逐渐成熟，而这个算法就是反向传播。就目前而言，反向传播算法都是训练神经网络的最主要方法。但是，神经网络的规模依然受限于当时的硬件条件而导致规模依然不大。因此，人们暂时放弃了神经网络的发展。

2.神经网络发展的障碍

神经网络发展的障碍有两个，第一就是计算机的性能，第二就是训练数据不够多。正是由于这个原因，使得神经网络在最初的几十年内都没有表现出过人的性能，如果增加神经网络的深度，就会让神经网络的训练速度变慢。在那个内存不过几十MB，GPU还没有出现的年代，要训练一个小规模的深度神经网络模型，需要花上数周甚至数月。而训练数据不够多也使得神经网络发展受到了阻碍，而随着特征维度的增加，算法的搜索空间急剧变大，要在这样的特征空间中寻找适合的模型，需要大量的训练数据。神经网络要解决的问题，通常具有成千上万维的特征，维度越高，特征也就越多。

3.先验假设

通过一个非常有用的先验假设对神经网络进行简化，这是因为我们这个世界的事物都是通过更小的事物组合而成的。不仅实际的物体满足这一先验假设，抽象的概念也一样如此。因此深度神经网络利用了这一假设，通过将网络层数加深，每一层神经元都是前面一层神经元输出的组合，通过这样的假设，将整个搜索空间大大减小。然而，训练深度神经网络依然需要大量的数据，才能得到一个比较好的结果。所以说，数据的存量是神经网络发展的前提。

在这篇文章中我们给大家介绍了关于人工智能中的神经网络发展缓慢的原因，其实神经网络发展还是非常具有潜力的，只是需要我们人类不断地攻克难题，让其发展更上一个台阶。因此，有致力于学习和专研人工智能的朋友，一定要好好学习神经网络哟，没准将来的神经网络的飞跃发展，起到关键性和决定性作用的人就是你！大家好好加油吧。