庫逸軒：記憶解碼與未來教育 |人工智慧與未來教育」高峰論壇

摘要：關於「教育」實際上所有人心中都有一個定義，在當今這個人工智慧飛速發展的背景下。教育的目標究竟是什麼？

圖片來自華東師大

庫逸軒

華東師範大學心理與認知科學學院副教授，博士生導師，華東師範大學-紐約大學腦與認知科學聯合研究中心客座教授

記憶解碼與未來教育

（本文根據庫逸軒在""人工智慧與未來教育」高峰論壇上的主題發言整理）

大家好，今天主要是結合我們之前的一些關於記憶解碼的工作談一點對於教育的想法。我今天可能跟魯白老師一樣，是為數不多的研究「腦」的研究者。我們也想在教育方面，看看怎麼樣能夠往前推進一步。有一些不恰當的地方，還請大家多多指教和包涵。

關於「教育」實際上所有人心中都有一個定義，在當今這個人工智慧飛速發展的背景下。教育的目標究竟是什麼？我想很多人可能有一個共識，那就是教育實際上是「授人以魚，不如授人以漁」。AlphaGo之所以引起人們的關注，很大程度上是在於它通過深度學習能夠實現真正的有目標性的學習。學習的這個目標又是什麼呢？很大程度上，是在於記憶。這個在我們傳統的計算機的發展過程當中，實際上已經很大程度上的超越了；在前面很多嘉賓也講到過這些問題。我這裡想要進一步回過頭來，從記憶的角度上，看看怎麼樣反過來連接到我們的教育，怎麼樣來監控教育的過程。因為對於記憶來講，我們非常熟知的是，我們從小到大有很多考試，這些都只是對結果的考量。

對於記憶的過程，怎麼樣可以通過一些新的方法進行監控？今天前面的很多嘉賓也講了，我們整個社會有很多職業被取代，我們都不願意職業被取代。關於金融、醫生、律師、教師等等這些行業，都是很容易被取代的。原因在於他們是極大程度上依賴於經驗，也就是依賴於記憶。對於計算機來講，這個記憶是一個非常非常容易的事情，它可以檢索非常海量的信息。我們怎麼樣在教育的過程當中去體現出人跟計算機所擁有的不同？前面也有很多嘉賓提到比較著名的所謂的「奇點迫近」的理論。「奇點迫近」的理論核心的問題，是在於指數的增長。有個傳說，國王想要獎勵發明國際象棋的人，問他想要什麼？大臣說：您能不能把我這個棋盤第一個棋格擺一粒麥子，第二個棋格擺二粒，第三個擺四粒，依此類推將64格全部擺滿，國王想著很簡單，但是真正一擺發現根本實現不了，總共需要1844億億多粒麥子，全世界的加起來也不夠。這是一個指數級的增長。因為指數的導數是它本身乘以常數，因此，當基數足夠大的時候，增長率也會急速上升，呈現這種陡峭的方式。

電子工程學中大家非常熟悉的摩爾定律，我們所有的計算成本實際上是隨著時間的推進逐漸呈指數型下降的。也就是說，我們單位成本能夠購買到的計算力，實際上是呈指數上升的。庫茲維爾進一步推廣這個理論，認為技術發展到一定程度的時候，增長速度也將呈指數上升。也就是說，它是呈指數的指數的增長，這就是所謂的「奇點」。這個時候技術的發展，已經超越了我們的想像，就到了一個「奇點爆發」的階段。在書裡面他對於未來產生了一些預測，有些預測實際上現在來看是非常準確的。比如：他在2005年的時候在講，2010年有越來越多的電腦會作為網路伺服器、雲計算。2018年1千美金能夠購買到的電腦存儲量能夠達到10T，這也是現在能夠實現的。但是他略微低估了大腦的容量。

在2020年的時候，個人電腦將會擁有和人腦相同的信息處理能力。2030年心智上傳具有可行性。現在很多時候大家在看到的媒體上，納米機械將可以直接注入到腦部並且可以和腦細胞互相溝通。納米機械讀取我們的腦細胞，這個時候我們的所謂人工智慧跟人的智能很有可能就混而為一了。到2040年代人們將把他們大部分的時間花在完全的沉浸式的虛擬實境，就像是Matrix電影中所描述的科技。2045年是奇點爆發的時候，一千美金可以買到的電腦將擁有十億顆人腦的計算力。很多時候大家在預期，人類是不是會變成寵物？人工智慧這個時候實際上已經跟人類的智能合二為一了，人類智能藉助人工智慧已經可以向宇宙進行發布，甚至可以傳遍整個宇宙。在很多科幻的電影裡面也出現類似的場景，比如：2014年的《超越駭客》也描述了科學家在臨死前將思想上傳到雲端伺服器的場景。

Elon Musk今年3月份成立了一個新的公司，叫做Neurolink，致力於將腦和計算機融合到一起。他是一個看上去很瘋狂的人，但是他第一個實現了電動汽車真正在地球上跑，他還成立了SpaceX，可以進行回收的火箭的發射，讓人類可以永久的移居火星。他的很多想法雖然看似瘋狂，但是卻真的實現了。我們對於他這個新的夢想是不是能實現，還是拭目以待。他所構想主要採用的一種方式，是在2015年已經出來的一個技術，就是通過一個非常細的電子網的發射，發射之前縮在一起非常小，但是到了大腦裡面可以展開，形成網格，可以記錄很多神經元的活動，通過這種方式讀取大腦的思維。

這一切似乎像庫茲維爾的預期那樣發展，但我今天還要再潑一點冷水，我們的理想和現實其實還存在很大的距離，所以大家也沒有必要過於恐慌。

首先我們對於僅僅三磅的人腦的了解並沒有比浩瀚的宇宙了解得更多。此外，對於部件的理解不等於整體，早在1986年線蟲這種簡單的模式生物，我們就已經可以把它僅有的302個神經細胞之間的連接圖全部都划出來，但是直到今天還是很難準確的預測線蟲每一個準確的運動。回過來看大腦有890億神經細胞，每一個平均跟其它一千個神經細胞發生連接，這是非常複雜的網路。即使全部讀出來，我們是不是真的能夠把mind（思維）真正能夠讀出來？這也是一個問題。

第二個部分，關於計算機的架構，顯然是需要突破的。傳統的馮諾依曼結構是串列的，雖然快，但是容錯性低，我們通過深度學習的人工智慧，已經能夠在人臉識別很多方面超越人類，但是如果在輸入端給出一些小小的擾動，也有可能產生很大的分類錯誤。比如：把一個狗的臉識別成人臉。相反，我們人腦雖然很慢，但是是並行的機構，容錯性非常的好，所以這個方面是我們所特有的地方。研究者們也在實際中的很多方面進行努力。比如在2014年的Science封面文章，通過類似於神經網路的這樣一個並行結構的搭建，已經可以實現比傳統的計算機好很多的複雜分類。但是實際上現在只能達到一百萬個神經元系統的搭建，離我們的890億還非常遠，而且每一個神經元與其它的神經元平均只有256個突出連接。另外一個方面的進步是材料方面的進步，2016年NatureNanotechnology的封面文章發現一個新的相變材料，叫做鍺銻鏑的合金，通過加電壓，可以從晶體變成無定形，可以實現模擬的信號變化，我們知道傳統計算機晶體管是數字的輸出，而模擬的輸入和輸出，我們將更加接近於神經元的一些反應模式。

第三個部分，我覺得在於從長時記憶到工作記憶的這樣一個問題。接觸過心理學的都知道，所謂的「一般智力」可以分為「流體智力」和「晶體智力」。晶體智力更多的跟長時記憶相聯繫，隨經驗增加而增加；流體智力更多和工作記憶相聯繫，不太隨經驗改變。工作記憶大家也比較熟悉，是短時間操縱信息的能力。它實際上跟很多認知功能，如我們的語言，我們的理解、我們的計算、我們的思維都有極密切的關係，跟流體智力的相關度可能達到60%以上，所以它能很好的預測我們的一般智力，但是它容量卻非常有限。

從1956年George Miller發現我們對於數字的記憶只有區區的5-9個，少得可憐。對於物體的記憶，通常是2-4個。我們大腦雖然沒有計算機儲存著那麼多的信息，但是硬碟也是非常大的，為什麼我們的CPU和內存卻如此之低。這個問題沒有答案，但我們的思考在於，對於一個完全並行的系統來講，有可能是湧現的特性。而且這樣的方式可以限制表徵之間的競爭，在很多情況下存在一定的優勢。比如：我們在很多表徵同時出現的時候，你的決策就會出現問題，所以可能是一種進化的優勢，或者是湧現的一個特性。

我們的工作記憶到底在大腦裡面怎麼樣去動態地去表徵的？更進一步問，表徵為什麼很重要？學習人工智慧的都非常熟悉David Marr，他是個英年早逝的天才，曾提出認知的三層次模型，包括計算層，演算法/表徵層，以及實現層。我們對於神經網路的計算層的模擬已經在深度學習網路DNN裡面取得了非常舉世矚目的突破。在實現層，像魯白老師這樣的神經科學家也已經在不斷的往前推進。對於表徵層，我們覺得它可能是這兩個層面的非常好的切入點。

我們的研究發現對於工作記憶不僅僅是你記多少，你為什麼會有容量的限制，實際上跟額頂網路的控制有關係。而且對於每個東西記的精確度也有限，這表徵在枕葉。我們的額葉會對枕葉皮層有自上而下的控制。正是這個控制力，是我們的真正瓶頸所在。控制力導致容量相對比較低。同時我們通過利用人工智慧裡面的機器學習的一些方法，來試圖去解析這些表徵。我們到底記住的是什麼？動態的看這個過程。我們通過一些機器學習的方法，利用功能磁共振的數據可以看到，對於表徵的解碼可以達到80%以上的準確率，而且可以看到這個過程中有動態的變化，在編碼的時候記憶的準確性會非常高，然後會逐漸降低，當你需要提取這個記憶的時候，又變得很高。而且非常有趣的是，我們採用更簡單的無線腦電的記錄我們也可以解碼記憶變化的過程，達到70%以上的準確率。而且我們可以看到每個人的曲線是不同的，他們到達記憶的準確度最頂峰的時間是不一樣的，每個人能夠達到的最高值也是不一樣，每個人記憶下降的趨勢是不一樣的。正因為每個人動態的變化曲線是不同的，我們在未來也可以針對這個曲線採用一些干預的手段，這就是教育里所謂「因材施教」。

另外，我們還會做一些更細緻的研究。看這些記憶的表徵到底在什麼位置？我們通過簡單的視覺刺激方法，就可以把大腦視覺皮層做很多層級劃分，從V1到V7。我們可以清楚看到這個表徵到底存在哪裡，也就是我們記憶的痕迹到底在什麼地方。實際上我們在這個過程中，很好地利用人工智慧的發展，以便更好的去實時的監控這些記憶表徵的動態變化。在這個基礎上，我們可以通過一些干預的手段，比如通過訓練的手段或者電刺激和磁刺激等來增強表徵。實際上我們已經有一些初步的結果，非常的振奮人心。

我覺得在未來的教育我們應該能實現人工智慧跟人類智能的合作共存，從1999年深藍擊敗卡斯帕羅夫到2016年AlphaGo擊敗李世石，當事人很痛苦，但我們應該以更積極的態度看待這些結果。

回到今天上午的最後一個問題，當時因為時間關係沒有被回答。問題是：現在有沒有人工智慧的方法在課堂裡面監控教學？實際上答案是肯定的，而且不僅僅是人工智慧，而是通過神經科學的方法來監控大腦的動態變化，這是在《當代生物學》雜誌上，在這個禮拜最新一期的一篇論文。在課堂裡面讓老師跟學生全部戴上簡易的無線的腦電電極帽，然後看人跟人之間同步性的變化。結果發現，不管是教育者和被教育者之間的腦電同步性，還是被教育者之間相互討論時的同步性，都可以預測最終學習效果的好壞。

我想未來在教育的實踐當中，大家不妨更多的運用腦科學的一些成果、腦科學的一些技術來研究更多更深入的教育問題。

謝謝大家！