Science：人工智能的發展離不開神經科學，先天結構或是下一個方向

數學家阿蘭·圖靈 1950 年的開創性論文引領了人類對人工智能（AI）的探索，他在這篇論文中提出了一個問題：「機器可否思考？」，那時候惟一已知的可以進行復雜計算的系統是生物神經系統。所以，絕不奇怪那時候這個新興的 AI 領域的科學家都將大腦回路做爲引導。

其中一條道路是經過類腦回路執行智能計算，這個方向的早期嘗試近來已經創造出了巨大的成功，並可被描述成一種用於建模皮層迴路的高度還原論（reductionist）的方法。

其當前的基本形式被稱爲「深度網絡」架構，這種腦啓發模型是經過類神經元件組成的連續層構成的；這些元件按照生物學中相似做用的組件而被稱爲「突觸」，它們經過可調節的權重相連。

深度網絡和相關方法在 AI 系統中的應用已經帶來了變革。研究證實它們在 AI 研究的核心領域優於以前已知的方法，包括計算機視覺、語音識別和生成、玩複雜的遊戲。它們也已經取得了普遍的實際應用，涉及不少領域，包括計算機視覺、語音和文本翻譯，其它還有不少領域也存在大規模的努力。

我將在這裏討論大腦回路中的其它方面將可能如何引導網絡模型的發展，從而讓咱們瞭解認知和通用人工智能的更多方面。

差 異

深度網絡的核心問題是學習（learning），這是對突觸的調整，從而獲得針對其輸入模式的指望輸出。這樣的調整是基於訓練樣本集自動執行的，而訓練樣本集中包含輸入模式以及配套的指望輸出。而後，學習過程經過調整權重獲得訓練輸入模式的指望輸出。成功的學習會讓網絡超越記憶訓練樣本的狀況，並且使其可以泛化，爲學習過程當中從沒見過的新輸入模式提供正確的輸出。

研究者將深度網絡模型與實際獲得的生理學、功能性磁共振成像和行爲數據進行了比較，結果代表大腦與這類新模型之間存在一些有趣的類似性，但同時也存在一些不類似的地方（見圖）。對比靈長類動物的視覺系統，生理學響應與模型響應在神經元響應過程的早期階段比後期階段更爲近似，這說明深度網絡模型也許能更好地體現早期的處理過程，而不是後期的更涉及認知的過程。

大腦回路與學習，來自 C. BICKEL/SCIENCE

除了深度網絡，AI 模型近來還融合了類腦計算的另外一個重要方面：強化學習（RL），其中使用了大腦中的獎勵信號來修改行爲。

這種形式的學習中涉及的大腦機制已經獲得了普遍的研究，並且其計算模型也已經在 AI 領域獲得了使用，尤爲是在機器人應用中。強化學習可用於在世界中運做的智能體（人、動物或機器人）中，經過接收的獎勵信號做爲回報。強化學習的目標是學習一個最優「策略」，這是從狀態到動做的一個映射，以便最大化隨時間得到的一個總體度量的獎勵。

在近期的一些 AI 算法中，強化學習方法已經與深度網絡方法結合到了一塊兒，而且在遊戲領域的應用尤爲突出，涵蓋的範圍包括流行的視頻遊戲到高度複雜的遊戲，好比國際象棋、圍棋和將棋。深度網絡與強化學習的結合在玩遊戲方面取得了驚人的成果，包括使人信服地擊敗了世界頂級的圍棋棋手、在大約 4 小時的訓練以後達到了國際象棋世界冠軍的水平；這些都是僅從遊戲規則開始，經過內部自我對抗進行學習而達成的。

從使用神經科學引導 AI 發展的角度看，由於相比於皮層迴路，這些網絡的形式是通過高度簡化的，因此這樣的成功很讓人驚訝。一些其它的腦啓發方面（好比跨神經元組歸一化或使用空間注意）也已經被整合進了深度網絡模型中。但通常而言，咱們所知的有關神經元的幾乎一切（它們的結構、類型、互連性等等）都被排除在了深度網絡模型的當前形式以外。

咱們目前仍不清楚生物迴路的哪些方面在計算上是關鍵的，而且也可用於基於網絡的 AI 系統，但結構中的差別很顯著。好比，生物神經元在它們的形態學、生理學和神經化學方面都很是複雜和多樣。

典型的受到激勵的錐體神經元的輸入分佈在複雜的、高度分支的底和頂樹突樹上。抑制型皮層神經元具備多種不一樣的形態，它們極可能執行着不一樣的功能。典型的深度網絡模型都沒有包含這種異質性和其它複雜性，而是使用了有限種類的高度簡化的同質的人工神經元。在網絡中單元之間的鏈接性上面，大腦中皮層迴路也比當前的深度網絡模型更復雜，而且在同一層的神經元之間具備豐富的橫向鏈接，其中既有局部鏈接，也有長程鏈接，並且還有從皮層區域的高層區域到低層區域的從上到下的鏈接，並且可能會組織在典型的局部「規範迴路（canonical circuits）」中。

基於深度網絡的學習方法主要在與現實世界的感知數據（好比視覺和語音）相關的問題上取得了顯著的成功，近來研究者已經將愈來愈多努力投入到了天然界中更涉及認知的問題上。好比在視覺領域，網絡模型最先是爲處理目標分類和分割等感知問題而開發的。相似的方法通過某些擴展後如今已經被用在了圖像描述（任務目標是生成一張圖像的簡短語言描述）和視覺問答（任務目標是爲以天然語言提出的有關圖像內容的查詢提供恰當的答案）等更高層面的問題上。其它還有一些非視覺任務，好比評價幽默程度、檢測諷刺、獲取直觀的物理知識或社會理解的一些方面。研究者們也爲一些高難度的真實世界應用開發出了相似的方法，包括在線翻譯、靈活的我的助理、醫療診斷、先進機器人學、自動駕駛。

有了這些重大的研究努力以及投入到將來 AI 應用中的大量資金，須要解決的重要問題是：當前的方法能在何種程度上生成「真實」和相似人類的理解，或者是否還須要其它的（也許很是不一樣的）方向來處理認知和通用人工智能（AGI）的衆多不一樣方面。咱們還不知道這個問題的答案，但不論是科學上仍是商業上，這都很是重要。

先天結構

若是事實證實當前深度網絡模型在產生類人認知能力方面的成功是有限的，那麼咱們很天然又會向神經科學尋求指引。

當前 AI 模型忽視的大腦回路的那些方面是否會是 AGI 的關鍵？大腦的哪些方面多是尤爲重要的？

目前咱們尚未顯而易見的答案，由於咱們對皮層迴路的理解仍然還頗有限，但我會簡要討論一下大腦和深度網絡模型看起來根本上不一樣的一個通常性方面，並且這個方面極可能在咱們追尋類人 AGI 之路上發揮重要的功用。

這一差別的核心是一個老生常談的問題，關乎認知中經驗主義（empiricism）與先天主義（nativism）之間的平衡，即先天的認知結構與通用的學習機制之間的相對重要程度。

當前的 AI 建模方法嚴重傾向於經驗主義一方，會使用大型的訓練數據集。相對而言，生物系統每每僅需少許訓練就能完成複雜的行爲任務，它們基於特定的預先存在的網絡結構，並且該結構在學習以前就已被編碼在了迴路之中。

好比，針對複雜的導航任務，包括昆蟲、魚類和鳥類在內的不一樣動物物種都能部分地依靠一套先天固有的特定用途的複雜精細的機制外加精妙的計算能力來完成。

對於人類，嬰兒會在生命的最初幾個月開始發展出複雜的感知和認知技能，且僅需不多或無需明確的訓練。好比，他們可以自發地識別出人手等複雜的目標、跟隨其餘人的注視方向、經過視覺分辨動畫角色是在幫助其餘角色仍是妨礙其餘角色，還能完成其它不少不一樣的任務，能表現出他們對物理交互和社會交互的初級理解。

大量發展中的研究都代表這種快速的無監督學習之因此是可能的，緣由是人類的認知系統經過進化而配備了先天的基礎結構，這些結構可以促進對意義概念和認知技能的習得。

與已有的深度網絡模型相比，人類認知學習和理解的優越性可能很大程度上源自人類認知系統具有的豐富且複雜不少的先天結構。近來對嬰兒期視覺學習的建模研究已經代表學習與先天機制的結合是有用的，其中有意義的複雜概念既非先天固有，也不是靠本身學習獲得。

從這個居中的角度看，先天的那部分不是已經發展好的概念，而是更簡單的「原型概念」，這能提供內部的教學信號，引導學習系統，從而僅需少許或無需明確的訓練就能逐漸習得和組織複雜概念。

好比，研究已經代表一種特定的圖像運動模式能夠爲人手識別提供可靠的內部教學信號。對人手以及它們在操做物體中的參與狀況的檢測能夠引導學習系統學習檢測注視方向，而檢測注視目標又在學習推理人的目標中發揮着重要做用。這樣的先天結構能夠經過在局部皮層區域中佈置特定的初始鏈接，再將輸入和偏差信號提供給特定的目標來實現。

人工網絡模型也能夠採用有用的預設結構來使其學習和理解更接近人類。發現有用的預設結構這一難題的解決方法能夠是理解和模仿相關的大腦機制，或開發從頭開始的計算學習方法來發現支持智能體、人類或人工智能的結構，使其能以高效且靈活的方式學習理解本身的環境。

這一方向上已有一些嘗試，但通常而言，「學習先天結構」這一計算問題不一樣於當前的學習過程，並且咱們的瞭解還不多。長期來看，將經驗主義方法與計算方法結合起來處理這一問題極可能對神經科學和 AGI 都有利，並最終可能會成爲可應用於這兩個領域的智能處理理論的一部分。

爲了幫助你們讓學習變得輕鬆、高效，給你們免費分享一大批資料，讓AI愈來愈普及。在這裏給你們推薦一我的工智能Python學習交流羣：705673780歡迎你們進羣交流討論，學習交流，共同進步。

當真正開始學習的時候不免不知道從哪入手，致使效率低下影響繼續學習的信心。

但最重要的是不知道哪些技術須要重點掌握，學習時頻繁踩坑，最終浪費大量時間，因此擁有有效資源仍是頗有必要的。