借鑒大腦學(xué)習(xí)機制 探索通用AI新方向

來源：中國科學(xué)報

作為代表自然界擁有最通用智能的生物大腦，可以借助低功耗和少量后天數(shù)據(jù)，實現(xiàn)在復(fù)雜環(huán)境下執(zhí)行復(fù)雜任務(wù)的智能行為。因此，探索生物大腦智能認知的底層機理和復(fù)雜行為背后的神經(jīng)科學(xué)基礎(chǔ)，對于探索智能的本質(zhì)，以及推動通用人工智能（AI）研究發(fā)展具有重要意義。

在近期舉辦的2021北京智源大會上，國內(nèi)外科學(xué)家圍繞通用AI的發(fā)展，分享了類腦研究領(lǐng)域最新成果，以及AI未來發(fā)展可能存在的瓶頸及相應(yīng)的解決思路。

通用AI成研究熱點

通用AI是指具有一般人類智慧，可以執(zhí)行人類能夠執(zhí)行的任何智力任務(wù)的機器智能。一些研究人員也將通用AI稱為強AI或者完全AI。

日本理化學(xué)研究所榮休教授甘利俊一曾在1967年提出了隨機梯度下降算法，并首次將其用于多層感知機訓(xùn)練。在1972年，甘利俊一提出了聯(lián)想式記憶模型。“通用AI是未來發(fā)展趨勢，而我們的工作是努力用算法、學(xué)習(xí)機制來貼近通用AI。”甘利俊一表示，例如深度網(wǎng)絡(luò)學(xué)習(xí)等方法的發(fā)展，將有助于通用AI的實現(xiàn)。

目前，AI主要用于定制解決方案。大多數(shù)AI系統(tǒng)是建立在單一類型上的，例如在圖片或聲音數(shù)據(jù)上工作。大部分AI系統(tǒng)都只為解決一個特定的問題，且很多系統(tǒng)都只針對單個數(shù)據(jù)集進行優(yōu)化。

隨著通用AI的發(fā)展，大腦學(xué)習(xí)機制和AI的聯(lián)系越來越深刻。英國倫敦大學(xué)學(xué)院蓋茨比計算神經(jīng)科學(xué)中心主任彼得·達揚表示，可以從AI的算法獲得啟發(fā)解釋腦科學(xué)機制，也可以從豐富而有效的大腦學(xué)習(xí)機制中獲得啟發(fā)和學(xué)習(xí)，發(fā)展更多新的人工強化學(xué)習(xí)方法，AI應(yīng)與大腦“聯(lián)姻”。

借鑒大腦學(xué)習(xí)機制

瑞典皇家理工學(xué)院教授科塔萊斯基是歐盟人類腦計劃的負責(zé)人?？扑R斯基表示，可以在高精度模型上探索大腦的通用智能，從大腦結(jié)構(gòu)和功能入手探索通用AI的新方向。

基底核是大腦中多巴胺分泌最豐富的核團，在醫(yī)學(xué)上和帕金森氏癥密切相關(guān)，而AI領(lǐng)域目前最熱的強化學(xué)習(xí)理論也源自基底核工作原理。

“借鑒大腦的功能，以無監(jiān)督學(xué)習(xí)的方式，可以實現(xiàn)機器的自感知、自適應(yīng)、自驅(qū)動，同時進行躲避障礙與向目標物體游動的行為。”科塔萊斯基展現(xiàn)了如何從分子、細胞和神經(jīng)回路的尺度上，精巧地還原大腦運動和感知相結(jié)合的工作原理，并成功模擬了鰻魚在復(fù)雜水流中的運動情況。

“大腦的機制與機器的學(xué)習(xí)機制有很大差別，這些差異使一些對人來說很簡單的事情，對AI卻很困難，也使得AI只能勝任特定任務(wù)，而不具備通用智能。”德國法蘭克福高等研究院的丹科·尼科利奇通過多個方面的對比研究闡述了大腦的工作機理和與深度學(xué)習(xí)的差異。

不過，尼科利奇表示，類腦智能的研究需要進一步深入理解這些本質(zhì)差異，并提出有效的解決方案；同時，可以借鑒人類大腦在概念表征、情境信息處理等方面的工作機理，提高機器智能的感知和認知能力。

美國約翰斯·霍普金斯大學(xué)認知科學(xué)系和計算機科學(xué)系特聘教授艾倫·尤爾建議，應(yīng)該通過研究人類視覺感知的規(guī)律，并使用更嚴格的性能指標來挑戰(zhàn)和評估算法，解決對抗性攻擊、對環(huán)境信息過于敏感等算法弱點。“尤其是向人類視覺學(xué)習(xí)，開發(fā)具有組合性的模型，并開發(fā)出性能與人類視覺系統(tǒng)一樣好或更好的算法。”

打造生物智能開源開放平臺

AI的發(fā)展得益于神經(jīng)科學(xué)、認知科學(xué)等領(lǐng)域的重大發(fā)現(xiàn)，而目前的AI與腦科學(xué)之間還存在一些錯位，彌合這些缺口可能是解決當前AI某些不足的關(guān)鍵。

北京大學(xué)人工智能研究院助理研究員杜凱認為，當前的AI與大腦的神經(jīng)計算差距還非常大，例如在處理基本的視覺信息輸入時，人工神經(jīng)網(wǎng)絡(luò)還依賴于對靜態(tài)圖像的學(xué)習(xí)，而人類視覺系統(tǒng)的神經(jīng)網(wǎng)絡(luò)處理信息是一個動態(tài)的過程。

“應(yīng)該借鑒生物智能的研究，開辟通用智能研究的新路徑。”清華大學(xué)基礎(chǔ)科學(xué)講席教授劉嘉表示，通過對認知科學(xué)、神經(jīng)科學(xué)與計算科學(xué)等多學(xué)科的交叉研究，將現(xiàn)有認知神經(jīng)科學(xué)等領(lǐng)域的最新成果、技術(shù)、研究工具和理論方法應(yīng)用到AI中，模擬生物大腦，利用人工網(wǎng)絡(luò)研究生物大腦的特性等，可以推動AI的發(fā)展。

目前，北京智源人工智能研究院正在通過高精度生物大腦模擬仿真，構(gòu)建生命智能模型，探索新一代人工智能發(fā)展的可行路徑。

該研究院生命模擬研究中心負責(zé)人馬雷表示，結(jié)合來自神經(jīng)科學(xué)、信息科學(xué)等交叉科學(xué)的前沿技術(shù)，該機構(gòu)的“天演”生命模型旨在模擬仿真經(jīng)歷億萬年進化演進的生物神經(jīng)系統(tǒng)和身體，通過搭建高精度模擬仿真軟硬件系統(tǒng)，構(gòu)建生命智能模型并挖掘生物智能機制機理，逐步啟發(fā)和探索新一代人工智能。

“大腦模型的規(guī)模越大、精細程度越高，越能表征生物智能性，而當今大規(guī)模高精度仿真依然存在諸多瓶頸，其中最關(guān)鍵的挑戰(zhàn)要數(shù)計算的復(fù)雜性，現(xiàn)有的超級計算系統(tǒng)難以承擔(dān)大腦突觸級別的超微精細計算。”馬雷表示。

劉嘉表示，人工智能研究者應(yīng)積極通過對生物腦內(nèi)部認知過程的探索，比較生物智能與神經(jīng)網(wǎng)絡(luò)的異同，從而了解大腦在實現(xiàn)特定認知功能方面的神經(jīng)機理和認知范式，完善和革新現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)模型與算法，探索智能的邊界和腦啟發(fā)/類腦的通用智能研究新路徑。

標簽： 大腦 學(xué)習(xí)機制 通用AI 機器智能 生物智能

推薦

財富更多》

動態(tài)更多》

熱點