AlphaGo之父谈脑启发的人工智能

来源:澳门威利斯人官方网站 时间:2017-07-20浏览:0

“人工智能”这个词已经红遍了大江南北,人尽皆知。然而,谈到脑科学,大家可能感觉这个词跟人工智能有点关系,但这个关系又说不清道不明。其实,人工智能与脑科学有着千丝万缕的联系。在计算机刚刚被发明出来的时候,人工智能和脑科学之间的关系是非常紧密的。有很多科学家既是人工智能学家,又是神经科学家。随着时间的发展,人工智能和脑科学逐渐壮大,成为了相对独立的两个学科。因此,现在的很多人工智能学家并不大懂脑科学。然而,人工智能的发展是需要依赖于脑科学的,人工智能的目标是要做出拥有人类智慧的智能体,如果不借鉴大脑的功能和机理,就如同大海捞针一般,在极大的解空间中寻找可能的解,但如果以大脑作为参考,就好比把解空间限制在一个较小的范围内,而我们只需要在这个范围内去寻找解,这显然容易的多。

昨日,有着神经科学背景的AlphaGo之父,DeepMind创始人之一的Demis Hassabis等人在Neuron上发文,探讨脑科学与人工智能的关系。

以脑科学启发人工智能有两种方式,一种是把现有的神经科学的研究结果应用到人工智能中,另一种是为现在人工智能中有效的算法找到脑科学的依据。比如现在应用很广泛的卷积神经网络就是借鉴了信息从视网膜到初级视觉皮层再到高级视觉中枢过程中特征层层提取、层层抽象的过程。

当前的人工智能已经可以做很多事情了,比如图像识别、下棋、自动翻译、艺术创作等等。其实,这些人工神经网络或多或少的受到了脑科学的启发。比如,大脑的注意力机制、情景记忆机制、工作记忆和学习机制等。加入了注意力机制的人工神经网络会选择性的忽略掉一些无关的信息,并可以根据输入图像的大小动态调节计算资源,使其在物体分类中表现的更加高效。加入情景记忆机制的人工神经网络会参考海马体和大脑皮层的关系,利用海马体快速编码新信息,然后在皮层中对信息进行重复学习和固化。受工作记忆机制的启发,人工神经网络中的DNC(differential neural computer)将序列控制和记忆存储分成两个模块,使得智能体可以找到交通图中的最短路径。另外,一个智能体必须要具备在多个时间尺度上的学习和记忆能力,借鉴大脑中的连续学习机制,通过加入弹性变化的权重,人工神经网络便可以在掌握一项技能的基础上学习另一项新的技能。

 

 

Demis Hassabis等人认为,当前的机器智能和人类水平的智能之间还存在不小的距离。随着神经科学新技术的发展,新的脑成像技术和基因工程技术让我们对大脑神经环路的了解越来越透彻,也为缩短机器智能和人类智能之间的距离提供了更多的可能。谈及人工智能的未来,Demis Hassabis等人提出了五个受脑启发的人工智能的发展方向。

1、理解物理世界

我们每个人都从一个小婴儿成长成现在的样子,这给予了我们充足的时间来理解我们所处的物理世界。对于人工智能而言,我们总是用一个特定的任务去训练它,而忽略了它接触其他事物的过程。如果我们给智能体一个成长环境和成长过程,是不是会让它更智能呢?

2、高效学习

如果让智能体学习如何学习,那么这种二阶学习的关系也许会让它学的更快。

3、迁移学习

人类有很强的迁移学习能力,比如你会驾驶汽车,那么让你去开船应该并不是一件难事。因此,拥有了迁移学习能力的智能体会在学会一项技能之后更快的掌握一项类似的新技能。

4、想象力和计划力

我们在做一些事情的时候,脑子里往往会事先预演几遍,这会让我们在现场发挥的更好。如果智能体有了想象力和计划能力,那么它也许真的可以创造出一些我们人类也很难创造出的东西。

5、虚拟脑分析

人工神经网络就像是一个黑箱,我们并不知道它为何如此有效。因此,我们可以借鉴脑科学的研究手段,去观察人工神经网络中每一个神经元的活动,让网络的训练过程可视化,将有助于我们早日解开黑箱中的秘密。

 

 

说了这么多脑科学对人工智能的启发,人工智能对脑科学是不是也有启发呢?答案是肯定的。从应用的角度来说,我们可以利用人工神经网络来分析脑科学的实验数据,如fMRI数据、MEG数据、EEG数据等。从发展脑科学的角度来说,我们可以受到人工神经网络中一些有效的算法的启发,有针对性的在大脑中寻找类似的工作机制。

总而言之,应该进一步加强人工智能学家和神经科学家的合作,二者互相启发,相辅相成,探索创造力、梦、甚至是意识的本质,促进人工智能和脑科学的发展。

 

参考文献:
Hassabis et al., Neuroscience-Inspired Artificial Intelligence. Neuron. 2017.

 

本文为原创编译,转载请注明出处

 

XML 地图 | Sitemap 地图