AlphaGo 之父談腦啟發的人工智慧

[前言]

「人工智慧」這個詞已經紅遍了大江南北，人盡皆知。然而，談到腦科學，大家可能感覺這個詞跟人工智慧有點關係，但這個關係又說不清道不明。

其實，人工智慧與腦科學有著千絲萬縷的聯繫。在計算機剛剛被發明出來的時候，人工智慧和腦科學之間的關係是非常緊密的。有很多科學家既是人工智慧學家，又是神經科學家。

隨著時間的發展，人工智慧和腦科學逐漸壯大，成為了相對獨立的兩個學科。因此，現在的很多人工智慧學家並不大懂腦科學。

然而，人工智慧的發展是需要依賴於腦科學的，人工智慧的目標是要做出擁有人類智慧的智能體，如果不借鑒大腦的功能和機理，就如同大海撈針一般，在極大的解空間中尋找可能的解，但如果以大腦作為參考，就好比把解空間限制在一個較小的範圍內，而我們只需要在這個範圍內去尋找解，這顯然容易的多。

昨日，有著神經科學背景的 AlphaGo 之父，DeepMind 創始人之一的 Demis Hassabis 等人在 Neuron 上發文，探討腦科學與人工智慧的關係。

以腦科學啟發人工智慧有兩種方式，一種是把現有的神經科學的研究結果應用到人工智慧中，另一種是為現在人工智慧中有效的演算法找到腦科學的依據。比如現在應用很廣泛的卷積神經網路就是借鑒了信息從視網膜到初級視覺皮層再到高級視覺中樞過程中特徵層層提取、層層抽象的過程。

當前的人工智慧已經可以做很多事情了，比如圖像識別、下棋、自動翻譯、藝術創作等等。其實，這些人工神經網路或多或少的受到了腦科學的啟發。比如，大腦的注意力機制、情景記憶機制、工作記憶和學習機制等。

加入了注意力機制的人工神經網路會選擇性的忽略掉一些無關的信息，並可以根據輸入圖像的大小動態調節計算資源，使其在物體分類中表現的更加高效。加入情景記憶機制的人工神經網路會參考海馬體和大腦皮層的關係，利用海馬體快速編碼新信息，然後在皮層中對信息進行重複學習和固化。

受工作記憶機制的啟發，人工神經網路中的 DNC（differential neural computer）將序列控制和記憶存儲分成兩個模塊，使得智能體可以找到交通圖中的最短路徑。

另外，一個智能體必須要具備在多個時間尺度上的學習和記憶能力，借鑒大腦中的連續學習機制，通過加入彈性變化的權重，人工神經網路便可以在掌握一項技能的基礎上學習另一項新的技能。

Demis Hassabis 等人認為，當前的機器智能和人類水平的智能之間還存在不小的距離。

隨著神經科學新技術的發展，新的腦成像技術和基因工程技術讓我們對大腦神經環路的了解越來越透徹，也為縮短機器智能和人類智能之間的距離提供了更多的可能。

談及人工智慧的未來，Demis Hassabis 等人提出了五個受腦啟發的人工智慧的發展方向。

1. 理解物理世界

我們每個人都從一個小嬰兒成長成現在的樣子，這給予了我們充足的時間來理解我們所處的物理世界。對於人工智慧而言，我們總是用一個特定的任務去訓練它，而忽略了它接觸其他事物的過程。如果我們給智能體一個成長環境和成長過程，是不是會讓它更智能呢？

2. 高效學習

如果讓智能體學習如何學習，那麼這種二階學習的關係也許會讓它學的更快。

3. 遷移學習

人類有很強的遷移學習能力，比如你會駕駛汽車，那麼讓你去開船應該並不是一件難事。因此，擁有了遷移學習能力的智能體會在學會一項技能之後更快的掌握一項類似的新技能。

4. 想像力和計劃力

我們在做一些事情的時候，腦子裡往往會事先預演幾遍，這會讓我們在現場發揮的更好。如果智能體有了想像力和計劃能力，那麼它也許真的可以創造出一些我們人類也很難創造出的東西。

5. 虛擬腦分析

人工神經網路就像是一個黑箱，我們並不知道它為何如此有效。因此，我們可以借鑒腦科學的研究手段，去觀察人工神經網路中每一個神經元的活動，讓網路的訓練過程可視化，將有助於我們早日解開黑箱中的秘密。

說了這麼多腦科學對人工智慧的啟發，人工智慧對腦科學是不是也有啟發呢？答案是肯定的。

從應用的角度來說，我們可以利用人工神經網路來分析腦科學的實驗數據，如 fMRI 數據、MEG 數據、EEG 數據等。

從發展腦科學的角度來說，我們可以受到人工神經網路中一些有效的演算法的啟發，有針對性的在大腦中尋找類似的工作機制。

總而言之，應該進一步加強人工智慧學家和神經科學家的合作，二者互相啟發，相輔相成，探索創造力、夢、甚至是意識的本質，促進人工智慧和腦科學的發展。

參考文獻：

Hassabis et al., Neuroscience-Inspired Artificial Intelligence. Neuron. 2017.

本文為原創編譯，轉載請註明出處，謝謝！

微信公眾號：腦與智能