本文的思想核心是：链接是无处不在的，复杂网络的本质是无尺度网络。充分理解网络无尺度的特点，对于我们理解和分析各种复杂事物大有裨益。抓住复杂网络中的枢纽节点，是我们处理复杂数据的基本原则，也是人工智能背后的深度神经网络的重要基础。网络是树根，大数据是树干，人工智能是枝叶。分析大数据的方法，以及人工智能背后的深度神经网络，都和无尺度网络有着非常紧密的关系。虽然网络科学的发展日新月异，但是最前沿的科技中同样渗透着无尺度网络，这个网络模型已经成为科学家搭建复杂网络、分析复杂网络的基础设施。复杂网络纵有千姿百态，无尺度都是它不变的内核。对无尺度网络的深刻洞察和广泛应用，加上海量的大数据对网络节点进行不断的训练和调整，才有深度神经网络和人工智能的存在。 传统的人工智能依赖科学家给它输入各种规则模型，只能解决一些规则清楚的问题。但是今天的人工智能已经能自己解决一些模糊的、规则不明确的问题，因为支撑它的是能够进行深度学习的神经网络。这种网络的特点是，具有多层结构，每一层神经网络都有很多个关键的节点，它们接收上一层处理完的数据结果，共同解决一个问题，把自己这一层的输出结果传递到下一层去做进一步的处理。现在最流行的深度神经网络分为两种：一种是处理空间分布数据的卷积神经网络，另一种是处理时间分布数据的循环神经网络。它们的结构特点，都与无尺度网络有着密不可分的关系。 1.卷积神经网络 卷积神经网络可以用来做图片识别，它对图片的分析方法和我们分析无尺度网络一样，要抓住枢纽节点。比如在一个分辨猫和狗的识图软件中，每一层神经网络都需要处理一种能把它们明显分开的特征，比如对脸部的分析，再把处理任务进一步细化，交给下一层去处理，比如瞳孔的粗细，直到最后一层处理单个像素。整个神经网络就是把区别猫和狗的任务拆解成许多任务，一层一层处理，抓住枢纽节点，刻画重要特征。 2.循环神经网络 循环神经网络可以用来做文字翻译，最新的应用就是“神经网络翻译”。过去的机器翻译，是把一句话里的字词做切分以后逐个翻译，再拼凑起来，经常出错。但是神经网络翻译会把一整句话看成表达完整意思的网络，进行整体分析。每一个字词作为枢纽节点的同时会寻找前后文中常见搭配的关键字词，寻找邻近的枢纽节点，从而区分出整句话中文字的重要性差异，把握住语句的基本结构和修饰性成分，从而实现更准确的翻译。神经网络翻译的错误率，比原来的机器翻译降低了55%到85%。 |
|
|
