1
| 本文作者： 楊曉凡 | 2017-08-03 13:59 |
雷鋒網(wǎng) AI 科技評(píng)論按：繼神經(jīng)科學(xué)家成為機(jī)器學(xué)習(xí)領(lǐng)域會(huì)議的邀請(qǐng)演講的?？鸵院螅珼eepMind AI 博客今天也發(fā)出了一篇文章講述他們對(duì)人工智能研究和神經(jīng)科學(xué)研究協(xié)作的看法。他們覺(jué)得兩個(gè)領(lǐng)域的協(xié)作不僅很有好處，而且現(xiàn)在已經(jīng)變得緊迫。雷鋒網(wǎng) AI 科技評(píng)論編譯如下。
人工智能近期取得了舉世矚目的成果，在學(xué)會(huì)玩 Atari 游戲、下圍棋、德州撲克以后，它們現(xiàn)在生成的手寫文本和對(duì)話也幾乎跟人類的一樣，可以做多種語(yǔ)言的翻譯，甚至可以把生活照片變得和梵高的大作一樣。這些進(jìn)步要?dú)w功于新的統(tǒng)計(jì)方法和計(jì)算機(jī)不斷增加的計(jì)算能力等一些原因。不過(guò)在一篇近期發(fā)表于「神經(jīng)元」期刊的文章中，DeepMind的研究者們提出了這樣的一個(gè)觀點(diǎn)：來(lái)自實(shí)驗(yàn)和理論神經(jīng)科學(xué)的想法對(duì)人工智能研究也大有幫助，而且往往被忽視了。
心理學(xué)和神經(jīng)科學(xué)在 AI 的發(fā)展歷程中扮演過(guò)重要的角色。Donald Hebb、Warren McCulloch、Marvin Minsky、Geoff Hinton 這些奠基人一開(kāi)始的動(dòng)力都是想要弄清大腦是如何工作的。然而實(shí)際上，從上個(gè)世紀(jì)晚期以來(lái)，在神經(jīng)網(wǎng)絡(luò)發(fā)展過(guò)程中起到重要作用的研究大多數(shù)都不是在數(shù)學(xué)和物理實(shí)驗(yàn)室中完成的，而要?dú)w功于心理學(xué)和神經(jīng)生理學(xué)學(xué)科的研究者們。
在充滿了挑戰(zhàn)的現(xiàn)在，神經(jīng)科學(xué)和人工智能領(lǐng)域攜手研究的需求前所未有地強(qiáng)烈。
DeepMind的研究人員們認(rèn)為，即便這兩個(gè)領(lǐng)域都在飛速發(fā)展，研究者也應(yīng)當(dāng)抱有這種遠(yuǎn)見(jiàn)。他們急切地希望神經(jīng)科學(xué)的研究者們可以和人工智能的研究者們一起找到一種共同的語(yǔ)言，可以讓知識(shí)在兩個(gè)領(lǐng)域之間自由地流動(dòng)，從而推動(dòng)兩個(gè)領(lǐng)域內(nèi)研究的長(zhǎng)期共同進(jìn)步。
DeepMind的研究人員們覺(jué)得 AI 研究中一個(gè)重要的因素是從神經(jīng)科學(xué)中獲得靈感，有兩個(gè)原因。首先，神經(jīng)科學(xué)可以幫助驗(yàn)證已有的 AI 技術(shù)。簡(jiǎn)單來(lái)說(shuō)，如果研究者們發(fā)現(xiàn)的某些算法能夠模仿大腦中的某個(gè)功能，這很有可能意味著這些研究是想著正確的方向去的。第二條原因是，神經(jīng)科學(xué)可以在構(gòu)建人造大腦時(shí)為新的算法類型和架構(gòu)提供豐富的啟發(fā)。以往的 AI 實(shí)現(xiàn)方案幾乎都是基于邏輯的方法和理論性的數(shù)學(xué)模型，DeepMind的研究人員們認(rèn)為神經(jīng)科學(xué)可以發(fā)現(xiàn)多種可能對(duì)認(rèn)知功能起到關(guān)鍵作用的生物計(jì)算方式，這樣就可以對(duì)現(xiàn)有的方法和模型做出補(bǔ)充。
舉一個(gè)近期的例子，經(jīng)驗(yàn)的離線“回放”就是神經(jīng)科學(xué)界的啟發(fā)性的發(fā)現(xiàn)。生物大腦在活動(dòng)期間會(huì)產(chǎn)生一些神經(jīng)活動(dòng)，然后在之后的睡眠或者安靜休息的時(shí)候，大腦就會(huì)“回放”這些活動(dòng)的短期模式。比如，當(dāng)老鼠穿過(guò)迷宮的時(shí)候，跟地點(diǎn)相關(guān)的細(xì)胞就會(huì)在老鼠四處移動(dòng)的過(guò)程中一直活動(dòng)。等到老鼠休息的時(shí)候就可以再次在它的大腦中觀察到同樣的神經(jīng)活動(dòng)序列，仿佛老鼠們正在腦中想象它們當(dāng)時(shí)的行動(dòng)，然后用它們來(lái)優(yōu)化未來(lái)的行為。這種猜測(cè)也得到了證實(shí)，如果干擾它們的“回放”過(guò)程，就會(huì)影響它們稍后再次進(jìn)行同樣任務(wù)時(shí)的表現(xiàn)。
如果說(shuō)要造一個(gè)需要“睡覺(jué)”的智能體，聽(tīng)起來(lái)仿佛怪怪的，畢竟它們本來(lái)應(yīng)該在制造它們的人睡覺(jué)以后還要能夠反復(fù)琢磨計(jì)算問(wèn)題才行。不過(guò)這種模式是 DeepMind 的 deep-Q 網(wǎng)絡(luò)的關(guān)鍵部分，這個(gè)算法已經(jīng)學(xué)會(huì)了搞定各種 Atari 2600游戲，表現(xiàn)遠(yuǎn)超人類，還僅僅需要原始的顯示像素點(diǎn)和游戲分?jǐn)?shù)作為輸入就可以做到。這個(gè) DQN 就通過(guò)存儲(chǔ)一部分訓(xùn)練數(shù)據(jù)然后“離線”重看的方式模仿了“經(jīng)驗(yàn)回放”，讓它能夠再次從以往的成功或失敗中學(xué)習(xí)。
類似這樣的成功的驗(yàn)證成果讓DeepMind的研究人員們有了很多信心，神經(jīng)科學(xué)已然成為了他們的 AI 研究思路的重要來(lái)源。但是如果著眼未來(lái)，在他們需要幫忙解決高效學(xué)習(xí)、現(xiàn)實(shí)世界理解、想象等未解問(wèn)題的時(shí)候，神經(jīng)科學(xué)將會(huì)變得不可或缺。
想象力是人類和動(dòng)物具有的一種非常重要的能力，讓我們無(wú)需行動(dòng)就可以對(duì)未來(lái)情境做出規(guī)劃，避免了不少成本付出。舉個(gè)簡(jiǎn)單的例子，比如規(guī)劃假期，我們就要運(yùn)用我們對(duì)世界的知識(shí)（腦內(nèi)的“模型”），然后靠它對(duì)未來(lái)會(huì)發(fā)生什么做出預(yù)測(cè)，評(píng)估未來(lái)的狀況，這樣我們就可以決定要選哪條路、或者要裝哪些晴朗的天氣里穿的衣服。最前沿的人類神經(jīng)科學(xué)研究已經(jīng)開(kāi)始能夠揭露這種思考方式背后的計(jì)算和系統(tǒng)機(jī)制，但是真正應(yīng)用到人工智能模型中的這些新理解還非常少。
另一件現(xiàn)代 AI 研究中的重要挑戰(zhàn)是遷移學(xué)習(xí)，為了能夠高效地應(yīng)對(duì)新的狀況，人造智能體們需要這種在現(xiàn)有知識(shí)基礎(chǔ)上做出合理決定的能力。這方面人類已經(jīng)很擅長(zhǎng)了，隨便一個(gè)會(huì)開(kāi)車、會(huì)用電腦、能主持會(huì)議的人在面對(duì)不熟悉的汽車、不熟悉的操作系統(tǒng)、不熟悉的社交狀況的時(shí)候都能夠?qū)Ω兜脕?lái)。
為了研究把這種能力賦予人造系統(tǒng)的可能性，研究者們已經(jīng)開(kāi)始著手做初步的嘗試。比如一類稱作“漸進(jìn)網(wǎng)絡(luò)”的新的網(wǎng)絡(luò)架構(gòu)就可以學(xué)會(huì)一個(gè)電腦游戲以后，根據(jù)這些知識(shí)學(xué)會(huì)玩另一個(gè)游戲。同樣的架構(gòu)也可以用來(lái)把從模擬機(jī)器人手臂上學(xué)到的知識(shí)遷移到真實(shí)的機(jī)器手臂上，極大地減少了訓(xùn)練時(shí)間。有意思的是，這些網(wǎng)絡(luò)跟人類的序列學(xué)習(xí)模型有一些共同點(diǎn)。這些誘人的聯(lián)系表明了未來(lái)的 AI 研究會(huì)有很多從神經(jīng)科學(xué)的研究中學(xué)習(xí)的機(jī)會(huì)。
不過(guò)DeepMind的研究人員們認(rèn)為知識(shí)的交換不應(yīng)該是單向的，神經(jīng)科學(xué)也可以從 AI 研究中獲益。比如強(qiáng)化學(xué)習(xí)這一現(xiàn)代 AI 研究的主要方法之一，最開(kāi)始來(lái)自于心理學(xué)領(lǐng)域的動(dòng)物學(xué)習(xí)理論，然后被機(jī)器學(xué)習(xí)的研究者們發(fā)揚(yáng)光大。這些想法后來(lái)也反哺回了神經(jīng)科學(xué)研究中，幫助我們理解一些神經(jīng)生理學(xué)現(xiàn)象，比如哺乳動(dòng)物基底神經(jīng)節(jié)中多巴胺神經(jīng)元的激活特性。
這種來(lái)回交流對(duì)兩個(gè)領(lǐng)域借助對(duì)方的見(jiàn)解不停發(fā)展至關(guān)重要，從而構(gòu)建了一個(gè)正向的循環(huán)，其中 AI 研究者運(yùn)用神經(jīng)科學(xué)的想法構(gòu)建新的技術(shù)，神經(jīng)科學(xué)家可以從人造智能體的行為中更好地學(xué)習(xí)如何闡釋生物大腦。確實(shí)，這樣的循環(huán)能夠得到加速，近期的技術(shù)發(fā)展功不可沒(méi)，比如光遺傳學(xué)就可以讓我們精確地測(cè)量和控制大腦活動(dòng)，從中獲取的大量數(shù)據(jù)還可以用機(jī)器學(xué)習(xí)領(lǐng)域的工具進(jìn)行分析。
所以DeepMind的研究人員們認(rèn)為把智慧轉(zhuǎn)化為算法，然后把算法和人類大腦相比較，已經(jīng)成為當(dāng)前至關(guān)重要的事情。他們希望 AI 可以成為創(chuàng)造新知識(shí)、推進(jìn)科技探索前沿的工具，那么這樣的做法不僅可以支持對(duì) AI 的研究，更可以讓大家更加理解自己的大腦中都發(fā)生了什么。這有可能照亮神經(jīng)科學(xué)中最難解的神秘問(wèn)題，比如創(chuàng)造力和夢(mèng)的本質(zhì)，甚至有一天可以解釋意識(shí)是怎么回事。面對(duì)著這么多難題，讓神經(jīng)科學(xué)和人工智能聯(lián)手向前已經(jīng)變得前所未有地緊迫。
via DeepMind Blog，雷鋒網(wǎng) AI 科技評(píng)論編譯
論文地址：http://www.cell.com/neuron/fulltext/S0896-6273(17)30509-3
雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見(jiàn)轉(zhuǎn)載須知。
