雷鋒網(wǎng) AI 科技評論按：繼神經(jīng)科學(xué)家成為機器學(xué)習領(lǐng)域會議的邀請演講的?？鸵院?，DeepMind AI 博客今天也發(fā)出了一篇文章講述他們對人工智能研究和神經(jīng)科學(xué)研究協(xié)作的看法。他們覺得兩個領(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話也幾乎跟人類的一樣，可以做多種語言的翻譯，甚至可以把生活照片變得和梵高的大作一樣。這些進步要歸功于新的統(tǒng)計方法和計算機不斷增加的計算能力等一些原因。不過在一篇近期發(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觀點：來自實驗和理論神經(jīng)科學(xué)的想法對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)展歷程中扮演過重要的角色。Donald Hebb、Warren McCulloch、Marvin Minsky、Geoff Hinton 這些奠基人一開始的動力都是想要弄清大腦是如何工作的。然而實際上，從上個世紀晚期以來，在神經(jīng)網(wǎng)絡(luò)發(fā)展過程中起到重要作用的研究大多數(shù)都不是在數(shù)學(xué)和物理實驗室中完成的，而要歸功于心理學(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烈。

DeepMind的研究人員們認為，即便這兩個領(lǐng)域都在飛速發(fā)展，研究者也應(yīng)當抱有這種遠見。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言，可以讓知識在兩個領(lǐng)域之間自由地流動，從而推動兩個領(lǐng)域內(nèi)研究的長期共同進步。

DeepMind的研究人員們覺得 AI 研究中一個重要的因素是從神經(jīng)科學(xué)中獲得靈感，有兩個原因。首先，神經(jīng)科學(xué)可以幫助驗證已有的 AI 技術(shù)。簡單來說，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)建人造大腦時為新的算法類型和架構(gòu)提供豐富的啟發(fā)。以往的 AI 實現(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的研究人員們認為神經(jīng)科學(xué)可以發(fā)現(xiàn)多種可能對認知功能起到關(guān)鍵作用的生物計算方式，這樣就可以對現(xiàn)有的方法和模型做出補充。

舉一個近期的例子，經(jīng)驗的離線“回放”就是神經(jīng)科學(xué)界的啟發(fā)性的發(fā)現(xiàn)。生物大腦在活動期間會產(chǎn)生一些神經(jīng)活動，然后在之后的睡眠或者安靜休息的時候，大腦就會“回放”這些活動的短期模式。比如，當老鼠穿過迷宮的時候，跟地點相關(guān)的細胞就會在老鼠四處移動的過程中一直活動。等到老鼠休息的時候就可以再次在它的大腦中觀察到同樣的神經(jīng)活動序列，仿佛老鼠們正在腦中想象它們當時的行動，然后用它們來優(yōu)化未來的行為。這種猜測也得到了證實，如果干擾它們的“回放”過程，就會影響它們稍后再次進行同樣任務(wù)時的表現(xiàn)。

DQN網(wǎng)絡(luò)是一類通用智能體，它們可以持續(xù)地讓自己的行為適應(yīng)新環(huán)境，而“回放”就是DQN網(wǎng)絡(luò)中的關(guān)鍵元素

如果說要造一個需要“睡覺”的智能體，聽起來仿佛怪怪的，畢竟它們本來應(yīng)該在制造它們的人睡覺以后還要能夠反復(fù)琢磨計算問題才行。不過這種模式是 DeepMind 的 deep-Q 網(wǎng)絡(luò)的關(guān)鍵部分，這個算法已經(jīng)學(xué)會了搞定各種 Atari 2600游戲，表現(xiàn)遠超人類，還僅僅需要原始的顯示像素點和游戲分數(shù)作為輸入就可以做到。這個 DQN 就通過存儲一部分訓(xùn)練數(shù)據(jù)然后“離線”重看的方式模仿了“經(jīng)驗回放”，讓它能夠再次從以往的成功或失敗中學(xué)習。

類似這樣的成功的驗證成果讓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 研究思路的重要來源。但是如果著眼未來，在他們需要幫忙解決高效學(xué)習、現(xiàn)實世界理解、想象等未解問題的時候，神經(jīng)科學(xué)將會變得不可或缺。

想象力是人類和動物具有的一種非常重要的能力，讓我們無需行動就可以對未來情境做出規(guī)劃，避免了不少成本付出。舉個簡單的例子，比如規(guī)劃假期，我們就要運用我們對世界的知識（腦內(nèi)的“模型”），然后靠它對未來會發(fā)生什么做出預(yù)測，評估未來的狀況，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)開始能夠揭露這種思考方式背后的計算和系統(tǒng)機制，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。

神經(jīng)科學(xué)和人工智能之間的歷史故事悠久纏綿

另一件現(xiàn)代 AI 研究中的重要挑戰(zhàn)是遷移學(xué)習，為了能夠高效地應(yīng)對新的狀況，人造智能體們需要這種在現(xiàn)有知識基礎(chǔ)上做出合理決定的能力。這方面人類已經(jīng)很擅長了，隨便一個會開車、會用電腦、能主持會議的人在面對不熟悉的汽車、不熟悉的操作系統(tǒng)、不熟悉的社交狀況的時候都能夠?qū)Ω兜脕怼?/p>

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)開始著手做初步的嘗試。比如一類稱作“漸進網(wǎng)絡(luò)”的新的網(wǎng)絡(luò)架構(gòu)就可以學(xué)會一個電腦游戲以后，根據(jù)這些知識學(xué)會玩另一個游戲。同樣的架構(gòu)也可以用來把從模擬機器人手臂上學(xué)到的知識遷移到真實的機器手臂上，極大地減少了訓(xùn)練時間。有意思的是，這些網(wǎng)絡(luò)跟人類的序列學(xué)習模型有一些共同點。這些誘人的聯(lián)系表明了未來的 AI 研究會有很多從神經(jīng)科學(xué)的研究中學(xué)習的機會。

不過DeepMind的研究人員們認為知識的交換不應(yīng)該是單向的，神經(jīng)科學(xué)也可以從 AI 研究中獲益。比如強化學(xué)習這一現(xiàn)代 AI 研究的主要方法之一，最開始來自于心理學(xué)領(lǐng)域的動物學(xué)習理論，然后被機器學(xué)習的研究者們發(fā)揚光大。這些想法后來也反哺回了神經(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，比如哺乳動物基底神經(jīng)節(jié)中多巴胺神經(jīng)元的激活特性。

這種來回交流對兩個領(lǐng)域借助對方的見解不停發(fā)展至關(guān)重要，從而構(gòu)建了一個正向的循環(huán)，其中 AI 研究者運用神經(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)習如何闡釋生物大腦。確實，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，比如光遺傳學(xué)就可以讓我們精確地測量和控制大腦活動，從中獲取的大量數(shù)據(jù)還可以用機器學(xué)習領(lǐng)域的工具進行分析。

所以DeepMind的研究人員們認為把智慧轉(zhuǎn)化為算法，然后把算法和人類大腦相比較，已經(jīng)成為當前至關(guān)重要的事情。他們希望 AI 可以成為創(chuàng)造新知識、推進科技探索前沿的工具，那么這樣的做法不僅可以支持對 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)中最難解的神秘問題，比如創(chuàng)造力和夢的本質(zhì)，甚至有一天可以解釋意識是怎么回事。面對著這么多難題，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。詳情見轉(zhuǎn)載須知。