结论

核心要点

我们已经看到，有些问题对人类来说很容易解决，但对传统计算机方法却非常困难。图像识别就是这类所谓人工智能挑战的典型例子。

神经网络极大地推动了图像识别的发展，也在许多其他复杂问题上取得了显著进展。科学家们早期研究的一个重要动机是：生物大脑（例如鸽子或昆虫的大脑）看起来比当今庞大的超级计算机更简单、更慢，但却能完成飞行、觅食和筑巢等复杂任务。此外，这些生物大脑对损伤或信号干扰也表现出极强的韧性。而数字计算机和传统计算方式则不具备这些特性。

如今，神经网络已成为人工智能诸多成功案例中的关键组成部分。人们对神经网络和机器学习，尤其是深度学习——即采用多层次结构的机器学习方法——保持着持续的关注。2016年初，谷歌旗下的DeepMind击败了世界顶级选手，赢得了古老的围棋比赛。这是人工智能发展史上的一个重大里程碑，因为围棋所需的策略深度和细微判断远超国际象棋。研究人员原本认为，计算机要达到如此水平还需多年努力。而神经网络在这一成就中发挥了核心作用。

我们希望你已经了解到，神经网络背后的核心思想其实相当简单。也希望你在动手实践神经网络的过程中获得了乐趣。或许，这能激发你进一步探索其他类型的机器学习与人工智能技术的兴趣。

如果我们做到了以上任何一点，那我们就成功了。