你可能想知道什么时候机器学习是一种完全不同的人工智能方法，因为直到20世纪80年代末和90年代初期，该领域的领导者都没有采用它。它实际上可以追溯到至少1943年，当时芝加哥大学的沃伦麦卡洛克和沃尔特皮茨观察到，大脑神经元网络可以通过逻辑表达式建模。简而言之，他们认识到尽管大脑是柔软，潮湿，凝胶状的肿块，但大脑中的信号是数字化的。实际上它似乎是二元的。这是数学形式化在推动科学发展方面可以发挥作用的另一个例子，正如我在第1章中所讨论的那样。由于可编程计算机在McCulloch和Pitts做出这一重要观察时基本上不为人所知，或者至少在秘密政府项目中用于战争的大部分工作都在开发中，以他们的工作作为计算机程序的基础并不是他们最关心的。也就是说，他们认识到潜在的计算含义：“神经网络的规范提供了必要连接的规律，人们可以根据任何状态的描述来计算后续状态。”24事实上，他们似乎通过的可能性，数学建模大脑可能会导致进度治疗精神病chiatric障碍，这是因为麦卡洛克自然，迄今为止团队高级成员最兴奋的，是一个MD和心理学家。
随后的几位研究人员继续这项早期工作，最着名的是康奈尔大学的Frank
Rosenblatt（得到了美国海军的资助），他将自己实施的人工神经元重新命名为“感知器”，引起了媒体的广泛关注。“ 纽约时报”在一个令人轻信的报道的一个非凡例子中，于1958年发表了一篇文章，内容是“新的海军设备通过做法学习：心理学家展示计算机设计的阅读和发展更加明智的胚胎”，其中宣称，“海军今日披露的电子计算机的雏形，它预计将能够走路，说话，看，写，复制自身并意识到其exis-唐塞的……。[它]预计将在大约一年内完成，费用为10万美元……。后来感知将能够认人，并叫出他们的名字，并立即用一种语言到另一种语言的口头或书面翻译的讲话。”布拉特在文章中预言，“感知可能被解雇的行星机械太空探险……马– chine将是第一个被认为是人脑的设备……原则上，有可能建立能够在装配线上重新产生自己的大脑并且能够意识到它们的存在。“鉴于他的演示仅包括400个光电池（400个像素），这似乎有点乐观。连接到一千个感知器的图像，经过五十次试验后能够分辨出“两张卡片之间的差异，其中一张牌在左侧标有正方形而另一张牌在右侧标有正方形。” 25另一方面，他的许多狂野的预言现在已经成为现实，虽然比他预测的晚了五十多年。
Rosenblatt的工作至少是达特茅斯会议的一些参与者所熟知的。他曾与Marvin Minsky一同上过布朗克斯科学高中（他们相隔一年）。26他们后来在许多论坛上成为争吵的辩论者，推广他们分别受到青睐的人工智能的方法，直到1969年，明斯基和他在麻省理工学院的同事西摩・帕珀特出版了一本名为Perceptrons的书，他在那里痛苦不堪。诋毁，而不公平，a
Rosenblatt工作的简化版本。27罗森布拉特无法进行适当的防守，因为他于1971年在一次划船活动中去世，享年41岁。28 Minsky和Papert的书被证明具有很大的影响力，有效地阻止了对感知器和人工神经网络的资助和研究十多年。
解决明斯基和帕特利特极度过于简单化的问题 – 网络最多只有两层 – 这部分是20世纪80年代中期人们对该领域兴趣的复兴。实际上，“深度学习”领域 – 机器学习的当前主要焦点 – 是指使用具有许多内部层（称为隐藏层）的人工神经网络。但是，对该领域重新产生兴趣的主要驱动因素是计算机可读形式的示例数据越来越多，更不用说计算机在存储和处理能力方面都在以惊人的速度发展。特别是，一类称为连接机器的新型强大的并行处理超级计算机可以同时模拟多个人工神经元的行为。29
尽管有这些新型机器的承诺，它们最终被标准的非并行商业处理器所取代，因为大规模生产的经济性比这些专用机器更快地加速了它们的开发。同样的命运是在专门为处理McCarthy的AI语言LISP而设计的时间机器上进入另一个相关的计算机工程开发。目前正在开发一种针对人工神经网络开发处理器的新尝试，尤其是在IBM。三十它的最新成果是一个54亿晶体管芯片，拥有4,096个神经突触核心，集成了100万个神经元和2.56亿个突触。每个芯片支持的人工神经元数量是Rosenblatt实现的数千倍，它们可以平铺和堆叠在两个维度上，更不用说它们可能运行速度至少快100万倍。罗森布拉特早期的热情，Dharmendra Modha略显令人不安的回声，
据IBM引用该项目的一位负责人的话说，“它是大脑灵感计算机的一个新里程碑…… [它]近似于大脑的结构和功能。” 31时间会告诉我们如果这被证明是未来的计算机体系结构，或者只是另一种错误的尝试，即为专门的应用程序类型构建计算机。
虽然机器学习系统目前正在经历商业投资的繁荣，并且被应用于各种各样的问题并取得了巨大的成功，但最值得注意的应用可能是最近的一些工作，其中这些技术不是模拟大脑而是逆转工程师。由加州大学伯克利分校Henry H. Wheeler Jr.脑成像中心的Jack Gallant领导的一组科学家正在成功地利用机器学习技术来阅读思想。32真。研究人员培训机器学习系统，以便从一系列大脑传感器中寻找模式，同时向测试对象显示各种物体的图片，如剪刀，瓶子或鞋子。然后他们将一个新主题放入试验台并向他或她展示一张照片。经过培训，他们的程序可以非常准确地正确识别主题正在查看的内容。
这项研究有两个有希望的方面。首先，目前用于测量大脑活动的技术非常粗糙，主要是在一侧3毫米的立方脑段（称为“体素”）中发生的血流，现代相当于Rosenblatt的低分辨率二十二十二格子光电池。随着大脑活动测量仪器变得更加敏感和详细，甚至可能检测到单个神经元的发射，解释的质量可能会大大提高。其次，结果不是特定于某个人 – 系统可以在一组测试对象上进行训练，然后使用这些结果来高精度地解释不同主题正在看什么。这意味着至少在研究人员正在研究的细节水平上，
已经有努力将这些概念商业化 – 例如，No Lie MRI公司声称使用MRI研究来确定一个人是否真实（尽管不清楚公司在多大程度上使用机器学习技巧）。33
除非（或直到）基本限制出现，否则这项工作开辟了将我们自己的大脑与电子世界相结合的真正前景 – 换句话说，就像我们一样，只需用我们的思想与计算机，机器和机器人进行通信和控制自己的身体。它也提出了一个可怕的前景，即我们自己的想法可能不再完全是私人的。