為何最強人工智慧比不上嬰兒大腦？

機器可以理解語音、識別面部和安全駕駛汽車。這讓人們十分訝異於近期的技術方面的進步。但是，如果人工智慧領域想要實現革命性的跨越，從而建造出類人式的機器，它首先將要掌握嬰兒的學習方式。

「在相對最近的人工智慧中，人們從想直接設計一個可以完成成人做的事情的系統轉變成一種認識——即如果想要有一個靈活和強大的系統來完成成人做的事情，這個系統需要能夠學習嬰兒和孩子做事情的方式。」加州大學伯克利分校的發展心理學家 Alison Gopnik 說，「如果你將現在計算機可以完成的事情與 10 年前可以完成的事情相比較，它們已經取得了很大的進步，但是如果你將這些事情與一個 4 歲兒童可以做的事相比較，仍然有相當大的差距。」

嬰兒和孩子使用一種和科學家用來構建科學理論的相同的方法來構建關於他們的周圍的世界的理論。他們以一種系統的和實驗性的努力來探索和測試他們周圍的環境以及環境中的人，這對於學習至關重要。

Gopnik 最近和一組研究人員一起研究揭示了 15 個月大的孩子相比年齡更大的孩子是如何使用統計數據來更好地學習因果關係的。嬰幼兒也許是更好的學習者，因為他們的大腦更加靈活或者「可塑性」更強 ；他們較少地被背景知識所影響，這也讓他們有著更加開放的頭腦。大腦並非是不變的，而是隨著每一次學習的經驗而改變。

通過將發展心理學家和計算學家的專業知識相結合，人們可以揭示出世界上最好的學習型大腦是如何工作的，並且將其計算能力轉化到機器的身上。最近，人工智慧需要大量的數據來提取模式和結論，但那些對周圍世界有相對較少數據的嬰兒使用的是一種被稱為貝葉斯學習（Bayesian learning）的統計評估方法（參閱機器之心文章《深度 | 大腦認知機制是貝葉斯式的嗎？》）。也就是說，這種理解並非是基於一個結果的已知頻率（嬰兒所沒有的信息），而是基於當前的知識推斷出的事情發生的可能性，其隨著新接收到的信息而連續調整。

「令人震驚的是，嬰兒可以只看到一次或聽到一個新單詞的時候，他們就已經對這個新詞的可能意思和可能的使用方法等有了一個很好的認識了；」Gopnik 說。「所以這些貝葉斯方法很好地解釋了在沒有充足數據的情況下，這些孩子為什麼如此擅長於學習。」

嬰兒們使用概率模型通過組合概率和可能性（probabilities and possibilities）來得出結論，從而創造出各種假設。隨著大腦的成熟，它變得更加專業化以便執行複雜的功能，因此也變得不那麼靈活，越來越難以隨著時間而改變。年長的學習者發展出了有偏見的觀點，因為他們更多地了解世界並且加強某些神經連接，這阻礙了他們基於很少的信息來形成具有創新性的假設和抽象理論的能力。這種能力使得 5 歲以下的嬰兒和兒童茁壯成長。

「這種權衡關係就是，你知道的越多，你就越難以考慮新的可能性，」Gopnik 說。「你知道的越多，你就越依賴於你知道的東西，而對新的東西則不能保持一個開放的態度。從進化的角度來看，嬰兒的整體情況就是他們不知道那麼多，所以他們可以更好地學習新的東西。」

在嬰兒剛出生的幾年，每一秒都有 700 個新神經連接生成，這是讓一個靈活的大腦處理快速積累的來自環境和社交的信息所必需的部分。比起在成年時期重新組合大腦迴路，生命早期的可塑性使得從零建立大腦的架構更加容易。貝葉斯學習已經被證明是兒童發展中的一個強大工具，計算機科學家正在使用該模型設計智能學習機。

麻省理工學院大腦和認知科學系的教授、計算認識科學家 Joshua Tenenbaum 說：「貝葉斯演算法正在試圖捕捉嬰兒的學習模式，」他正在與 Gopnik 合作進一步研究其計算機和心理學的混合領域。「當這些孩子進入了真實的世界時，就已經有準備好的基本的構建模塊來讓他們理解一些最複雜的概念。然後，他們有學習機制——即以這些最初的構建模塊來嘗試從稀疏數據推理，並創造因果理論。」

人類的大腦，不管處在哪一個發展階段，都是被設計通過一系列的感覺系統，包括視覺、聽覺、嗅覺、味覺、觸覺、空間取向和平衡從而進入物理世界。當一個人只有有限的數據時，大腦就會填補空白，這是一種被稱為「退化（degeneracy）」的神經結構現象。儘管嬰兒的大腦缺乏一個或多個感知，但是他們還是尤其擅長處理信息。

Tenenbaum 說：「為了理解世界，孩子們會像科學家一樣學習，這包括形成理論、進行試驗、玩耍並且看看到他們可有所發現的東西，積極思考什麼是正確的方法來測試他們的理論或者應對一些他們沒有想到的東西，並試圖找出什麼是錯，什麼是對。」

採取孩子的措施

Tenenbaum 和來自紐約大學和多倫多大學的研究人員團隊合作設計了一種能夠以更有效和更複雜的方式捕獲新知識的人工智慧軟體。在 2015 年 12 月，他們的研究論文《Human-level concept learning through probabilistic program induction》指出用於創建計算機的機器學習演算法接近我們所處理信息的方式；該論文已發表在 Science 雜誌上。

新的人工智慧程序可以在看到一個樣本之後就像人類一樣準確地識別手寫字元。使用貝葉斯程式學習框架，軟體能夠為每個至少看到一次的手寫字元生成一個獨特的指令。但是，當機器面臨一個不熟悉的特性的時候，這種演算法的獨特功能就發揮了作用。它從數據搜索轉換到尋找匹配，使用概率程序並通過組合已經見過的字元的部分和子部分來創建一個新的字元以此檢測其假設——即當嬰兒面對他們從未見過的角色和對象時，他們如何從有限的數據中學習到豐富的概念。

然而，軟體仍然無法通過形成原始假設自主學習方式模仿孩子學習的方式。當研究人員能夠設計具有原始假設和真實的目標的軟體時（例如產生識別字元的願望而非遵循研究者的指令），人工智慧系統的潛力將會有里程碑式的轉變。沒有自我驅動的目標，人工智慧系統就限制了他們自主運作的潛力。

Tenenbaum 說：「使用越來越多的數據進行的持續性學習是任何人工智慧系統都想要做到的，但自主學習卻是棘手的，因為總會有人來操控整件事情，數據的數量與類型也由他們給出。嬰兒是自主選擇的，但是要讓人工智慧系統能夠更自主地構建自己學習過程仍舊是一個眾所周知的挑戰。目前的人工智慧系統並沒有建立任何目標，應此它們也無法為自己的學習負責。當一個機器人按指示拿起一個盒子時，看著它們做著和人類一樣的事情是非常令人欣喜的，然而它們並不會擁有像孩子那樣複雜的思維水平。」

Tenenbaum 和他的同事採用了在神經元的虛擬網路上建模的深度學習演算法。它建造了一個非常初步模仿人腦的工作方式。當機器處理一個對象時，它搜索其巨大的資料庫來獲取與機器匹配的像素以進行識別。而人類依賴於更高形式的認知功能來解釋對象的內容。

「我們正在試圖編寫像大腦的軟體一樣的計算機程序，這通常被稱之為思維。思維是程序且運行於大腦這個硬體上，我們就是試圖在對準軟體層面。神經網路在人工智慧中就像計算機程序的軟體層面一樣。」

在 2013 年，美國國家科學基金會撥款 2500 萬美元資助了麻省理工學院一項為期五年的項目，用於建立腦、思維和機器中心。為了解大腦如何執行複雜計算，不同領域的科學家和工程師共同合作，希望構建更類似於人類智能的智能機器。

Tenenbaum 說：「近期我們才建立出一個能夠做到這一點的數學與計算機模型，我們將需要更多的資源、人才、公司、技術和公司的利益以及更快的計算機。我們可能需要等待或依靠其他工程進展，然後才能趕上即使是非常幼小孩子的智力。」

構建第一個嬰兒大腦

紐西蘭的奧克蘭大學生物工程研究所正在試圖通過一個動畫製作的可互動的嬰兒來彌合大腦和機器之間的差距。Mark Sagar 是該研究所動畫技術實驗室的導演和創始人，其動畫作品《阿凡達》和《金剛》獲多項奧斯卡獎。他在實驗室和一個叫做 BabyX 的 3D 電腦屏幕上的金髮碧眼寶寶玩躲貓貓，這個 BabyX 是一個能夠學習、思考並可以產生面部表情，能夠自己做出反應的實時系統。（視頻點擊這裡查看）

通過在麻省理工學院建立身體部位的醫學模擬，Sagar 開始了他的職業生涯。在那裡他致力於實現數字面孔，並使用這些技能開發 BabyX。動畫人工智慧能夠模仿他的面部表情、朗讀簡單的字、識別對象和播放經典的視頻遊戲 Pong，這使它每天都變得更聰明。BabyX 不僅是 Sagar 的「大腦寶寶」，也是在他的女兒 Francesca 在不同年齡階段的模型。

為了構建 BabyX，Sagar 在他的女兒 6 個月、12 個月、18 個月和 24 個月時進行了掃描，並將數據上傳到了系統中。他選擇通過動畫技術來複制他女兒的行為、面部表情和聲音，作為人工智慧初生的隱喻。Sagar 親切地將 BabyX 稱為「她」，並解釋她如何使用光纖電纜：由她的模擬神經活動所驅動，如同脊髓連接到大腦。與之前的系統不同，由於 BabyX 是一個具有人工智慧的互動式化身，故它具有學習和保留信息的能力。

「我們不以大多數人所想的方式開發人工智慧，」Sagar 說，「在神經科學和認知科學中存在許多有爭議的理論，現有知識可能僅代表冰山一角。而最困難但也最深刻有趣的部分是：生物學啟發的方法如何從不同規模過程的相互作用中出現更高的認知水平。」

Sagar 和他的團隊測試了 BabyX 與人類的互動。BabyX 能夠處理人類的情緒、理解他們的行動背後的意義、並根據她過去與 Sagar 的互動中所學的東西做出回應。BabyX 的屏幕之後是一個大腦的實時模擬，使它能夠提示面部模擬眨眼和觀眾報以微笑。Sagar 認為臉部是發展是有效互動式人工智慧的關鍵，因為它是大腦的反映，並揭示了有意識思維的內在運作。例如，一個簡單的微笑是腦內連接的複雜、交織系統運行的結果。

「BabyX 通過使用者的行為和寶寶的行為之間的關聯來學習，」Sagar 說道，「在一種學習形式中，咿呀聲會使 BabyX 探索她的運動空間、移動她的臉或手臂。如果使用者的響應類似，則表示 BabyX 的動作神經元開始通過稱之為 Hebbian 學習的過程與響應使用者動作的神經元相聯繫，共同發揮作用的神經元會聚在一起。」

在重複過程之後，新的神經連接開始在 BabyX 的模擬大腦中創建一個映射，將其動作與使用者的動作相匹配，為更高級的模仿打基礎。人類大腦的工作方式大同小異——即通過完成一個動作，大腦形成新的連接並通過重複這個動作而加強。

最終，這個模擬的嬰兒通過她大腦處理的環境信息來做出自己的反應。本質上，BabyX 通過不斷改進代碼進行學習。

BabyX 的學習能力是基於生物學似乎可信的學習模型中，這種演算法模擬和翻譯人類大腦如何處理信息和釋放大腦中的化學反應，例如多巴胺或催產素水平。當她不明白一個單詞或動作時，BabyX 顯示困惑的表情，但當她正確地讀一個單詞時，她會快樂地笑起來，並釋放更高水平的「快樂激素」多巴胺。每個演算法都控制神經系統從而令她能夠模仿、建立反饋系統還有通過互動和演示學習新的信息。

「我想探索如何將基於生物學的行為、情緒和認知的計算模型集成到動畫中，特別是面部，」Sagar 說道，「面部表情是人類經驗許多方面的紐帶。這對探索學習和心理發展的基礎，甚至可能對我們未來與更複雜、自主技術的相互作用和使用都至關重要。」

由於面部是溝通的一個首要手段，Sagar 希望他的實驗可以為未來的健康和教育應用奠定基礎，例如旨在與自閉症或其它社交障礙疾病兒童患者進行互動的方案。一個可以感受到人的情緒、處理並了解他們的感受的系統是驅動人工智慧研究的目標，這就像我們人生中最初的光陰一樣——建立一個可以自己思考的大腦。

TAG:推酷 |

※嬰兒大腦不可缺的三大營養！
※美國空少在飛機上強扯嬰兒車，孩子媽媽大哭不知所措！
※懷不上孩子想做試管嬰兒，成功率有多大？
※試管嬰兒智力和健康跟自然懷孕有何不一樣？
※試管嬰兒生雙胞胎好嗎？幾率大不大？
※順產的嬰兒比剖腹產的更聰明么？科學研究卻讓你大吃一驚！
※巨嬰真的很正常么？你可能不知道嬰兒過於巨大的危害
※黑人女子生出「巨嬰」，對比之後發現，竟然比普通嬰兒大一倍！
※不用削骨，不用瘦臉針，「嬰兒肥」林依晨教你如何成為上鏡小V臉
※四大皆空的唐僧為何不敢吃人蔘果，真是因為長得像嬰兒么？
※嬰兒營養不良性貧血？你家寶寶有嗎？
※把嬰兒放在大他三倍的比特犬身上，狗非但不介意還開始舔小孩！
※准媽媽好不容易做試管嬰兒後懷上寶寶，結果查出肝癌！保大還是保小，婆婆的選擇讓人感動
※究竟什麼樣的嬰兒更「聰明」？智力是如何測量的？
※在大街上老人推著嬰兒車，但裡面卻沒有嬰兒，原因讓人感動不已
※科學研究：嬰兒的性別也會影響媽媽的健康——生男孩比生女孩的傷害更大
※世界最小和最大嬰兒的對比，看到後很不可思議
※把嬰兒放在大他三倍的比特犬身上，狗非但不介意還開始舔小孩
※霍思燕兒子這麼大了還坐嬰兒車，都裝不下了！