人工智能的最新進(jìn)展引人注目。人工系統(tǒng)在 Atari 視頻游戲、古老的棋類游戲圍棋以及撲克游戲中已經(jīng)優(yōu)于人類專業(yè)玩家。它們還可以生成與人類無差別的筆跡和語音、在多種語言之間翻譯，甚至將你的假期照片用梵高的風(fēng)格進(jìn)行風(fēng)格重塑。

創(chuàng)新互聯(lián)建站是一家專業(yè)提供沂南企業(yè)網(wǎng)站建設(shè),專注與成都網(wǎng)站建設(shè)、做網(wǎng)站、H5場景定制、小程序制作等業(yè)務(wù)。10年已為沂南眾多企業(yè)、政府機構(gòu)等服務(wù)。創(chuàng)新互聯(lián)專業(yè)網(wǎng)站制作公司優(yōu)惠進(jìn)行中。

這些進(jìn)步可以歸結(jié)為幾個因素，包括新型統(tǒng)計方法的使用和計算機計算能力的增長。但是我們最近在 Neuron 雜志發(fā)表的觀點認(rèn)為，有一個因素經(jīng)常被忽視，即實驗神經(jīng)科學(xué)和理論神經(jīng)科學(xué)的貢獻(xiàn)。

心理學(xué)和神經(jīng)科學(xué)在人工智能的發(fā)展史上起著關(guān)鍵作用。人工智能的奠基人物諸如 Donald Hebb、Warren McCulloch、Marvin Minsky 以及 Geoff Hinton，最初都是被想要理解人腦工作原理的愿望所激勵。事實上，在整個 20 世紀(jì)末期，大部分開發(fā)神經(jīng)網(wǎng)絡(luò)的關(guān)鍵工作并沒有發(fā)生在數(shù)學(xué)或者物理實驗室，而是在心理學(xué)和神經(jīng)生理學(xué)系。

正因為如此重要，將神經(jīng)科學(xué)領(lǐng)域和人工智能領(lǐng)域結(jié)合起來的需求比以往任何時候都更加迫切。

在 DeepMind，我們認(rèn)為，盡管這兩個領(lǐng)域都得到了快速發(fā)展，但是研究人員不應(yīng)該忽視這個觀點。我們督促神經(jīng)科學(xué)和人工智能領(lǐng)域的研究者們?nèi)で笠环N能夠讓知識自由流動的共同語言，讓知識的自由流動來推動這兩個領(lǐng)域持續(xù)向前發(fā)展。

對人工智能研究來說，從神經(jīng)科學(xué)汲取靈感是非常重要的，我們認(rèn)為有兩個原因：第一，神經(jīng)科學(xué)能夠幫助驗證已經(jīng)存在的人工智能技術(shù)。簡而言之，如果我們發(fā)現(xiàn)我們的一種人造算法能夠模仿人腦中的某個功能，這表明我們的方法或許在正確的方向上了。第二，在構(gòu)建人造大腦的時候，神經(jīng)科學(xué)可以為新型的算法和結(jié)構(gòu)提供豐富的靈感來源。歷史上，傳統(tǒng)的人工智能方法都是由基于邏輯的方法和基于理論數(shù)學(xué)的模型所主導(dǎo)。我們認(rèn)為神經(jīng)科學(xué)可以通過識別可能對認(rèn)知功能很關(guān)鍵的生物計算類別對此進(jìn)行補充。

以一個最近在神經(jīng)科學(xué)領(lǐng)域的重要發(fā)現(xiàn)為例：離線體驗「回放」的發(fā)現(xiàn)。在睡眠或者安靜休息的時候，生物大腦會「回放」由早期活躍時段生成的神經(jīng)活動。例如，當(dāng)老鼠穿過迷宮的時候，「地方」單元隨著老鼠的運動會激活。在休息的時候，在老鼠的大腦中觀察到了相同的神經(jīng)活動序列，貌似老鼠會在精神上重新想象它之前的活動，并用它們?nèi)?yōu)化未來的行為。事實上，對回放的干擾會損害它們后來進(jìn)行同樣任務(wù)時的表現(xiàn)。

「回放」是 DQN 的關(guān)鍵元素，DQN 是一個通用智能體(general-purpose agent)，它能夠持續(xù)地調(diào)整自己的行為來適應(yīng)新的環(huán)境

乍一看，構(gòu)建一個需要「睡眠」的人工智能體似乎是反直覺的——畢竟，它們應(yīng)該在它們的程序員睡覺之后在一個可計算的問題上耗很多時間。但是這個原則卻是我們的 deep-Q Network(DQN)的關(guān)鍵部分，這是一個僅僅依靠原始像素和分?jǐn)?shù)作為輸入，通過學(xué)習(xí)能夠把 Atari 2600 游戲掌握到超過人類的水平的算法。DQN 通過存儲一個它能夠離線「回顧」的訓(xùn)練數(shù)據(jù)的子集來模仿「經(jīng)驗回放」，這使得它能夠從過去的失敗和成功中學(xué)習(xí)到新的東西。

這樣的成功給了我們信心，神經(jīng)科學(xué)早已成為人工智能思想的重要源泉。展望未來，我們相信神經(jīng)科學(xué)在幫助我們處理一些仍未解決的問題上會變得不可或缺，例如高效學(xué)習(xí)、理解物理世界和想象力。

想象力對人類和動物來說一個十分重要的功能，想象力允許我們在仍未發(fā)生的情況下就可以規(guī)劃未來，當(dāng)然這是有代價的。舉個簡單的例子，比如規(guī)劃一個假期。為了做到這件事，我們要利用我們關(guān)于這個世界的知識或者「模型」，并且用它來及時地推進(jìn)或者評估未來的狀態(tài)。這允許我們計算需要走的路徑，或者打包在晴天穿的衣服。盡管人類神經(jīng)科學(xué)的前沿研究正在開始揭示支撐這種思維的計算系統(tǒng)和機制，但是很多這種新的理解尚未在人工模型中得到應(yīng)用。

神經(jīng)科學(xué)領(lǐng)域和人工智能領(lǐng)域有一個漫長且相互交織的歷史

當(dāng)下人工智能研究的另一個重要挑戰(zhàn)就是遷移學(xué)習(xí)。為了能夠高效應(yīng)對新情況，人工智能體需要在現(xiàn)有知識的基礎(chǔ)上構(gòu)建作出明智決策的能力。人類早已精于此道：人可以開汽車、使用筆記本或者能夠主持一個會議，此外，在面對不熟悉的車輛、操作系統(tǒng)或者社會環(huán)境的時候人類通常也能夠有效應(yīng)對。

朝著理解這種情況如何發(fā)生在人工智能系統(tǒng)中這個目標(biāo)，研究者現(xiàn)在開始邁出了第一步。例如，一種叫做「漸進(jìn)網(wǎng)絡(luò)(progressive network)」的新型網(wǎng)絡(luò)結(jié)構(gòu)能夠利用在一個視頻游戲中習(xí)得的知識去學(xué)習(xí)另外一個視頻游戲。在從仿真機器臂向現(xiàn)實手臂遷移知識的場景中也使用相同的結(jié)構(gòu)，這大大地縮短了訓(xùn)練時間。有趣的是，這些網(wǎng)絡(luò)與人類的連續(xù)任務(wù)學(xué)習(xí)模型有某些相似之處。這些聯(lián)系表明未來的人工智能研究非常有可能從神經(jīng)科學(xué)的工作中學(xué)習(xí)到一些東西。

但是這種知識的交換不可能是單向的，神經(jīng)科學(xué)也能夠從人工智能研究中獲益。以強化學(xué)習(xí)為例——強化學(xué)習(xí)是當(dāng)下人工智能研究的核心方法之一。盡管強化學(xué)習(xí)的原始思想來源于心理學(xué)中的動物學(xué)習(xí)理論，但是它是由機器學(xué)習(xí)研究者來開發(fā)和闡述的。這些思想又回饋神經(jīng)科學(xué)的研究，幫助我們理解神經(jīng)生理現(xiàn)象，例如哺乳動物基底神經(jīng)節(jié)中的多巴胺神經(jīng)元的放電特性。

人工智能研究者從神經(jīng)科學(xué)中汲取思想來建立新的技術(shù)，神經(jīng)科學(xué)家從人工智能體的行為中學(xué)習(xí)，以更好地解釋生物大腦——如果這兩個領(lǐng)域要持續(xù)地借助彼此的思想發(fā)展，并創(chuàng)建一個良性循環(huán)，那么這種一來一往的啟發(fā)是必須的。事實上，由于近期的種種進(jìn)展，例如光遺傳學(xué)，它允許我們精確地測量和操縱腦活動，產(chǎn)生大量能夠使用機器學(xué)習(xí)工具進(jìn)行分析的數(shù)據(jù)。

所以我們認(rèn)為，把智力轉(zhuǎn)換為算法并將其與人類大腦進(jìn)行比較現(xiàn)在是非常關(guān)鍵的。這不僅能夠加強我們對開發(fā)人工智能這種有望創(chuàng)造新知識并且推動科學(xué)發(fā)現(xiàn)的工具的追求，而且還有可能幫助我們更好地理解人類大腦內(nèi)部到底發(fā)生著什么。這有可能揭示神經(jīng)科學(xué)中的一些奧妙，例如，創(chuàng)造力、夢，甚至意識的本質(zhì)。正因為如此重要，將神經(jīng)科學(xué)領(lǐng)域和人工智能領(lǐng)域結(jié)合起來的需求比以往任何時候都更加迫切。

原文：https://deepmind.com/blog/ai-and-neuroscience-virtuous-circle/

【本文是專欄機構(gòu)“機器之心”的原創(chuàng)譯文，微信公眾號“機器之心( id: almosthuman2014)”】

網(wǎng)站名稱：DeepMind：把人工智能和神經(jīng)科學(xué)結(jié)合起來，實現(xiàn)良性循環(huán)
文章出自：http://uogjgqi.cn/article/dpsdepj.html