生物智能與AI——關乎創造、關乎理解（下）

摘要： 原來人工智能跟人類智能有那麼深的聯繫！

無監督學習，遷移學習和工程設計

AI系統與人類學習之間的另外一個主要差別在於AI系統所需的大量標記數據才能夠達到人類級別的性能。例如，最近的語音識別系統在11940小時的語音訓練後才能對齊轉錄。若是咱們天天大聲地聽到另外一我的類閱讀文本兩個小時，那麼咱們須要16年才能獲取到這個數據集。AlphaGozero練習了490萬場才擊敗人類圍棋大師。若是一我的天天玩圍棋30年，那麼他天天必須玩450場比賽才能達到AlphaGozero的練習量。此外，最近關於視覺問答的數據集包含了0.25M圖像，0.76M問題和10M答案。若是咱們天天收到關於圖像的100個問題的答案，咱們須要274年的時間來吸取這種規模的數據集。很明顯人類接受的標記訓練數據量要少得多，但他們能夠識別語音，玩圍棋並很好地回答有關圖像的問題。 

其中，人工智能和生物智能之間差距的幾個關鍵在於人類從未標記數據中學習的能力（無監督學習），以及在解決先前任務時得到的強大先驗知識，並將這些知識轉移到新任務中（遷移學習）。最後，人類社會創建了教育系統，精心挑選一些學習任務進行教學，以促進知識獲取。爲了在人工系統中有效地實例化這些概念，咱們須要更深刻地理解和數學形式化人類和其餘動物如何進行無監督學習及知識如何在任務之間轉移，這須要計算機科學家、心理學家和教育工做者的參與。由於這對於在標記數據稀缺的領域中訓練AI是相當重要。

創建理解，規劃和主動因果學習的世界模型

當前AI在商業環境中的成功不少是經過監督方法實現的，其中AI系統被動地接收輸入，被告知正確的輸出，而且它調整其參數以匹配每一個輸入-輸出組合。相比之下，嬰兒就像活躍的科學家同樣探索他們的環境。例如：利用魔術，嬰兒會看到兩個「魔法」物體：物體A，它彷佛穿過牆壁，而物體B，它在掉落時不會掉落。給嬰兒A，B，嬰兒將嘗試將物體A穿過牆壁，而後放下物體B以查看它是否會掉落。這項非凡的實驗代表，嬰兒就像科學家同樣，積極地探索他們的世界。

所以，與當前大多數的商業AI系統不一樣，嬰兒具備學習和利用世界模型的卓越能力。咱們須要在神經科學和人工智能方面進一步研究從經驗中學習世界模型，使用這些世界模型進行規劃（即，根據當前行動想象不一樣的將來），並使用這些將來的計劃來作出決策。這種基於模型的規劃和決策多是當前無模型強化學習系統的有力支持，該系統簡單地將世界狀態映射到值或預期的將來獎勵。人工智能中的這項工做能夠與神經科學的工做攜手並進，揭示動物的神經活動如何與想象的和將來相關。像好奇心這樣的基本驅動能夠形式化爲強化學習系統，以此來促進學習和探索。更通常地，深刻理解多個系統和促進動物和人類學習的內在生物驅動可能對加速人工系統的學習很是有益。

在後摩爾定律時代實現節能計算

生物系統和AI系統之間的另外一個數量級差別在於它們的能量消耗。人腦僅消耗20瓦的功率，而超級計算機則以兆瓦的功率運行。形成這種差別的一個關鍵緣由多是過分依賴數字計算自己，雖然數字革命推進了現代信息技術的興起，但如今咱們對實現人工智能的追求被認爲是次優遺留技術。緣由是數字計算須要在計算的中間階段以極高的可靠性翻轉每一位。然而，熱力學定律則爲每一個快速可靠的位翻轉肯定了至關大的能量成本。

相比之下，生物的細胞內的分子以及腦內神經元的計算看起來使人驚訝地嘈雜和不精確。然而，生物計算的每一箇中間步驟都足夠可靠，以使最終答案足夠好。此外，大腦智能地向上或向下調節能量成本根據所需的通訊速度。例如，考慮大腦中經過目標神經元的單位的成本。它開始於囊泡的隨機釋放，其以1毫米/秒的速度擴散到源神經元和目標神經元之間的空間，僅燃燒2.3毫微微焦耳（fj）。速度剛恰好，由於神經元鏈接之間的空間只有20納米。該化學信號被轉換爲無源電信號，其以1米/秒的速度流過神經元細胞體，燃燒23fj橫穿約10微米。最後，它到達軸突終端並轉換爲長軸，沿着軸突每秒行進100米，燃燒6000 fJ行進1釐米。所以，在從化學信號傳遞到被動電信號時，大腦動態地將通訊速度上調1000倍，以跨越增長1000倍的距離，從而致使能量消耗增長10倍。

所以，只有在須要更高速度且僅須要更高可靠性時，大腦纔會消耗更多能量。相比之下，數字計算機在剛性同步時鐘上運行，而且在每一個時鐘週期，許多晶體管必須可靠地翻轉狀態。總之，生物計算的明顯混亂不必定是不可避免的混亂，而是可能反映出高能效設計的理想原則。爲了在咱們的AI硬件中實現這樣的效率，遵循生物計算的這些原則多是必要的。

用於AI的神經科學和神經科學的AI：一種良性的科學螺旋

最近神經科學和AI之間相互做用促進了深度和遞歸神經網絡模型的發展。在許多狀況下，當訓練深度或遞歸網絡來解決任務時，其內部表現看起來與訓練爲解決相同任務的動物中測量的內部神經活動模式很是類似。所以，咱們一般會在不一樣的任務中得到不一樣大腦區域操做的高度複雜但使人驚訝的真實模型，從而提出了一個基本問題：咱們如何理解這些模型正在作什麼以及它們如何工做？更確切地說，學習網絡鏈接和神經動態如何產生高性能？AI目前在理解它的神經模型正在作什麼時面臨一樣的問題，雖然一些工程師認爲沒有必要了解神經網絡是如何工做的。然而，對於當前網絡的成功和失敗如何因其連通性和動態性而產生的更深刻的科學理解將致使網絡的優化。然而，科學與技術之間的相互做用歷史上幾乎沒有更深刻的科學認識，也不會致使更好的技術。可是，在AI的某些應用中，特別是在醫學診斷或法律中，可解釋的AI是必不可少的。例如，若是醫生和法官沒法理解爲何這些系統作出了他們作出的決定，他們就不會在他們的案件中使用人工智能系統的建議。

所以，神經科學須要共享理解網絡性能和決策如何做爲網絡鏈接和動態的新興屬性。所以，理論神經科學，應用物理學和數學的思想和理論的發展能夠幫助分析AI系統。此外，AI系統的行爲可能會改變神經科學中實驗設計的本質，將實驗工做集中在AI中難以理解的網絡功能方面。整體而言，神經科學，人工智能和許多其餘理論學科之間的緊密聯繫能夠得到不少靈感，這可能會爲生物和人工系統中的智能的出現帶來統一的規律。

尋求管理生物和人工智能的廣泛規律

在人工智能系統設計中，一種常常被引用的無視生物學的爭論常涉及到飛機與鳥類的比較。然而，仔細觀察這個想法會發現更多的細微差異。飛行的通常問題涉及解決兩個基本問題：（1）爲了前進而產生推力，（2）升力的大小使咱們不會脫離天空。鳥類和飛機用不一樣方法解決了推力問題：鳥兒拍翅膀和飛機使用噴氣發動機。可是，它們以徹底相同的方式解決升力問題，經過使用彎曲的翼形，在低於和低於上方的氣壓下產生更高的氣壓。所以，滑翔的鳥類和飛機的運做很是類似。

實際上，咱們知道空氣動力學的通常物理定律：不一樣形狀經過空氣時，均可以用計算的方法來預測產生的力，如升力和推力。並且，任何解決飛行問題的方法，不管是生物仍是人工，都必須遵照空氣動力學定律。

更通常地說，在咱們對物理世界的研究中，咱們習慣於存在管理其行爲的原則或規律。例如，正如空氣動力學控制飛行物體的運動同樣，廣義相對論控制着空間和時間的曲率，量子力學控制着納米世界的演化。咱們認爲，可能存在普世原則或法律來管理智能行爲如何從大型互連神經元網絡的合做活動中產生。這些法律能夠鏈接和統一神經科學、心理學、認知科學和人工智能的相關學科，他們的闡述也須要幫助分析和計算領域，如物理，數學和統計學。事實上，這篇文章的做者使用了動力系統理論、統計力學、黎曼幾何、隨機矩陣理論和自由機率理論等技術，得到了對生物和人工網絡運做的概念性看法。然而，爲了闡明管理非線性分佈式網絡中出現智能的通常規律和設計原則，還須要進一步的工做，包括開發新概念，分析方法和工程能力。最終，就像鳥類，飛機和空氣動力學的故事同樣，創造智能機器的問題可能存在多種解決方案，其中一些組件在生物解決方案和人工解決方案之間共享，而其餘組件則可能不一樣。經過尋求通常的智力法則，發現適用於生物和人工系統的新興智能的潛在法則，以及創建受神經科學和心理學啓發的新型AI，須要許多研究人員共同努力：計算機科學家追求更好的AI系統，神經科學家，心理學家和認知科學家探索大腦和思想的屬性，數學家，物理學家，統計學家和其餘理論家尋求形式化咱們的綜合知識並發現通常的法律和原則。

---

本文做者：【方向】

閱讀原文

本文爲雲棲社區原創內容，未經容許不得轉載。