如今，人工智能的基礎流程實際上是愚蠢的。波鴻(Bochum)的研究人員正在嘗試使其變得更聰明。激進的變革，革命，大趨勢甚至可能是一種風險：人工智能已經滲透到所有工業(yè)領域，并使媒體忙碌。RUB神經計算研究所的研究人員已經研究了25年。它們的指導原則是：為了使機器真正地智能化，新方法必須首先使機器學習更加有效和靈活。

“當今有兩種成功的機器學習類型：深度神經網絡(也稱為深度學習)和強化學習，”神經元系統(tǒng)理論教授Laurenz Wiskott教授解釋說。

神經網絡能夠做出復雜的決定。它們經常用于圖像識別應用中。維斯科特說：“例如，他們可以從照片中分辨出被攝對象是男人還是女人。”

這種網絡的結構受到大腦中神經細胞或神經元網絡的啟發(fā)。神經元通過幾個輸入通道接收信號，然后決定它們是否以電脈沖的形式將信號傳遞給下一個神經元。

神經網絡同樣接收多個輸入信號，例如像素。第一步，許多人工神經元通過簡單地將輸入乘以不同但恒定的權重，然后將它們相加，從幾個輸入信號中計算出一個輸出信號。這些算術運算中的每一個都產生一個值(以男性/女性為例)，對女性或男性的決策貢獻不大。Laurenz Wiskott解釋說：“但是，通過將負結果設置為零，結果會略有改變。這也是從神經細胞復制而來的，對于神經網絡的性能至關重要。”

直到網絡在最后階段做出決定之前，相同的事情會在下一層再次發(fā)生。在此過程中，階段越多，功能越強大–具有100多個階段的神經網絡并不少見。神經網絡通常比人類更能解決歧視任務。

這樣的網絡的學習效果是基于對正確的加權因子的選擇，這些加權因子最初是隨機選擇的。Laurenz Wiskott闡述道：“為了訓練這樣的網絡，從一開始就指定輸入信號以及最終決定的內容。” 因此，網絡能夠逐漸地調整加權因子，以便以最大的可能性最終做出正確的決定。

另一方面，強化學習是受心理學啟發(fā)的。在這里，算法做出的每個決定(專家稱其為代理人)都會得到獎勵或懲罰。“想象一下中間有座席的網格，” Laurenz Wiskott說道。“它的目標是通過最短的路線到達左上方的盒子，但它不知道。” 代理商想要的唯一一件事就是獲得盡可能多的獎勵，否則就一無所知。首先，它會隨意移動，沒有達到目標的每一步都會受到懲罰。只有朝著目標邁進才有回報。