有时人们把神经网络称为“机器学习工具箱中的另一种工具”。有时你可以用它们来赢得Kaggle的比赛。但是，这种解释完全见木不见林。神经网络不只是另一种分类器，它们代表了我们如何编写软件的根本性转变的开始。可以说是软件的2.0时代。下文简称软件2.0。
我们所熟悉的软件1.0的“经典堆栈”是用Python、C++等语言编写的，它包含了程序员编写的计算机的显式指令。通过编写每行代码，程序员可以通过一些可取的行为来确定程序空间中的某个特定点。
相比之下，软件2.0是用神经网络的权重来编写的。没有人参与编写这段代码，因为有很多权重(典型的网络可能有数百万个)，并且直接在权重中进行编码是很困难的。反而，我们指定了一些约束程序的行为(例如，一个输入输出对示例的数据集)，并使用可自行支配的计算资源来搜索满足约束条件的程序空间。在神经网络的例子中，我们把搜索限制在程序空间的一个连续的子集上，在这个空间中，搜索过程有些出乎意料地可以使用反向传播和随机梯度下降算法。
事实证明，在现实世界中，收集数据要比明确地编写程序容易得多。过段时间以后，大部分程序员不会维护复杂的软件库，编写复杂的程序，或者分析它们的运行时间。但他们会收集、整理、操作、标签、分析和可视化馈送神经网络的数据。
![011bd9c0a8f59dd4f731584f4c7021148f7297ac]()
软件2.0不会取代1.0(实际上，需要大量的1.0基础架构来进行“编译”2.0代码的训练和推测)，但是它将会接管越来越多的软件1.0的责任。让我们来看看一些正在进行的过渡的例子，以使其更加具体:
视觉识别曾经是由一些带有机器学习的工程特性组成的(例如，SVM)。从那时起，我们开发了机器，以发现更强大的图像分析程序(在卷积架构中)，并且最近我们也已经开始搜索架构。
语音识别曾经涉及大量的预处理、高斯混合模型和隐藏的马尔可夫模型，但目前几乎完全由神经网络组成。
语音合成一直以来都有各种各样的拼接（stitching）机制，但是现在，艺术模型的状态是产生原始音频信号输出的大的卷积(例如WaveNet)。
机器翻译通常是采用基于短语的统计技术的方法，但神经网络很快就会占据主导地位。我最喜欢的架构是在多语言环境中进行训练的，其中一个模型可以从任何源语言转换为任何目标语言，并且在弱监督(或完全不受监督的)环境中进行。
机器人技术将问题分解为感知、姿态估计、规划、控制、不确定性建模等，使用显式表示和算法多于中间表示。我们还没有完全做到这一点，但加州大学伯克利分校和谷歌的研究表明，软件2.0或许能够更好地代表所有这些代码。
软件2.0的好处
为什么我们更喜欢将复杂的程序移植到软件2.0中呢? 很明显，答案是因为它们在实践操作中表现得更好。但是，还有很多其他的方便的理由来选择这个堆栈。让我们来看看软件2.0(一个卷积神经网络)与软件1.0相比(一个生产级别的C++代码基数)的一些好处。软件2.0:
1.计算均匀：一个典型的神经网络，首先，由两个操作组成:矩阵乘法和在零点(ReLU函数)的阈值。将其与经典软件的指令集进行比较，后者明显更具有异构性和复杂性。因为你只需为少量的核心计算原语(例如，矩阵乘法)提供软件1.0实现，就可以更容易地做出各种正确的/性能的保证。
2.简单设置为硅：作为一个推论，由于神经网络的指令集相对较小，因此更容易实现将这些网络更靠近硅，例如自定义ASIC芯片，神经形态芯片等等。当低动力的智能变得无处不在时，情况又会发生变化。例如，小而便宜的芯片可以使用预先训练过的卷积神经网络、语音识别器和WaveNet语音合成网络，它们都集成在一个小的、可以连接到任何东西上的“原始大脑”中。
3.恒定的运行时间：典型的神经网络正向传递的每一次迭代都采用同样数量的FLOPS（即“每秒浮点运算次数”，“每秒峰值速度”）。零可变性基于你的代码的不同的执行路径，是可以通过一些庞大的C++代码库来实现的。当然，你可以拥有动态计算图，但是执行流通常仍然受到很大的限制。这样，我们几乎可以保证永远不会发现自己的操作在无意地进行无限循环。
4.持续的内存使用：与上面相关的是，在任何地方都没有动态分配的内存，因此也不大可能交换到磁盘，或是你必须在你的代码中追踪的内存泄漏。
5.它具有高度的可移植性：与经典的二进制文件或脚本相比，在任意计算配置上运行一个矩阵乘法序列要容易得多。
6.它非常敏捷：如果你有一个C++代码,并且有人想让你把它以两倍的速度为代价获得(如果需要的话),这将是非常重要的调优系统新规范。然而,在软件2.0中我们可以把我们的网络删除一半的通道,然后再次训练,——它完全是运行速度的两倍,并且运行的有些糟糕。相反地，如果你恰好得到了更多的数据/计算，你可以通过增加更多的通道和重新训练来让你的程序更好地工作。
7.模块可以融合为一个最优的整体：我们的软件经常被分解为通过公共函数，API或端点进行通信的模块。然而，如果两个最初训练的软件2.0模块相互作用，我们可以很容易地在整个过程中进行反向传播。想想看，如果你的web浏览器能够自动重新设计底层系统指令10个堆栈，直到加载web页面时获得更高的效率，那该多好。而对于2.0，这是默认的行为。
软件2.0的局限性
2.0堆栈也有一些自身的缺点。在优化的最后，我们剩下的是大型网络，它们运行得很好，但是我们很难知道它是如何运作的。在许多应用领域，我们将会选择使用我们所理解的90%的精确模型，或者99%的准确模型。
2.0堆栈可以以不直观和令人尴尬的方式失败，例如，通过在训练数据中默默地采用偏差，当它们的大小在数百万的大多数情况下，是很难正确地分析和检查的。
最后，我们还发现了这个堆栈的一些特殊属性。例如，对抗样本的存在突出了这个堆栈的不直观的本质。
如果你把神经网络看作是一个软件堆栈，而不仅仅是一个很好的分类器，那么很快就会发现，它们拥有大量的优势和很大的潜力来转换软件。
从长远来看，软件2.0的未来是光明的，因为越来越多的人认为，当我们开发了AGI时，它肯定会写入软件2.0中。
本文由AiTechYun编译，转载请注明出处。更多内容关注微信公众号：atyun_com
