伯明翰大學教授姚新：類腦計算研究中三個被遺忘的問題

雷鋒網(搜索「雷鋒網」公眾號關注)按：姚新，現為英國伯明翰大學計算機學院講座教授，計算智能及其應用卓越研究中心主任，IEEE Fellow（院士），IEEE 計算智能學會傑出講座教授。2003 - 2008年任IEEE 進化計算學報主編，2014-2015年任IEEE進化計算學會主席。他的主要研究領域包括進化計算和集成學習及其應用，特別是在軟體工程中的應用。他的論文曾獲2001年 IEEE Donald G. Fink獎優秀論文獎、2010和2015年IEEE 進化計算學報傑出論文獎、2010年BT Gordon Radley 最佳創新作者獎、2011年IEEE神經網路學報傑出論文獎、以及其他一些最佳論文獎。2012年他榮獲久負盛名的英國皇家學會沃爾夫森（Wolfson）研究功勛獎，2013年榮獲IEEE計算智能學會先驅獎。

姚新教授在 2016 人工智慧湖南論壇上報告

近年來，類腦計算已再次引起研究人員和媒體的高度關注，出現了許多關於構建人工大腦、研究類腦計算和一些理解人類大腦如何工作的宏偉計劃的建議。但在類腦研究中究竟有哪些重要的科學問題呢? 姚新教授就此討論了 3 個似乎已被許多類腦計算研究者所忽視的問題。

第一個是關於進化的問題。所有生物腦都是進化的，然而時下的類腦計算研究計劃很少涉及進化的作用。在類腦計算研究中應當考慮進化嗎？

第二個是關於類腦計算系統的運行環境問題。環境在類腦計算研究中的作用是什麼？

第三個是關於身體的作用或腦體相互作用問題。在生物界不存在沒有身體的大腦。時下的大腦研究計劃很少提及身體的作用，好像含有身體的大腦研究沒有什麼是要做的一樣。事情果真是這樣的嗎？

對上述問題，姚新教授沒有提供確切的答案，只是謙虛地表示希望通過這 3 個問題起到拋磚引玉的作用。

這三個問題跟產業界的關係不那麼密切，但是做相關產業的話也必須要考慮到這些問題。這個背景很簡單，大家在開幕式的時候可能已經感到現在人工智慧是相當紅火，不但在科研界、學校比較紅火，在產業界也非常的紅火。各位領導也說了湖南省長沙市包括雨花區都喜歡引進人工智慧有關的產業，最好是智能機器人，而不是一般的工業機器人。

從研究的角度來說，人工智慧又跟人腦的研究又掛上鉤了。按照這個計劃來說，歐盟有專門的人腦研究計劃；美國也有類似的人腦研究計劃，也不叫人腦，是叫大腦，包括人腦和機器腦，也是通過奧巴馬總統宣布的；在 IEEE 協會裡面也有大腦研究計劃，就是促進國際上的合作；國內也有很多，包括科學院或者是國家層面都想研究這個大腦。

那麼，怎麼理解大腦是一方面，另外一方面是怎麼把對大腦的理解真正運用到工程中。作為人工智慧推進的作用，我今天講的這些東西倒不是說要在大腦研究或者是人工智慧研究當中找到什麼答案，我沒有答案，但是我有問題，問題也不多，有三個問題，這三個問題跟我的研究背景有關係。

大家在談到人工智慧或者人腦的時候，總是喜歡說做了一個人工智慧的東西，但是我做工程或者是科學的人想過沒有，所有的大腦都是演化來的，沒有一個是人造出來的。現在我們是想人造一個大腦出來，當然這沒有什麼問題，唯一問題稍微帶有一點哲學性。比如說，現在想做一個人工智慧的系統，靠人來造，而且現在要做腦計劃，想要做一個人工腦，同時又說要從自然腦裡面找到啟發性的東西，自然的大腦都是演化出來的，不是造出來的。所以這裡面的邏輯好像比較奇怪，雖然對一個產品感興趣，卻忽略了產品是怎麼來的。這種方法對不對是一個問題，如果只對產品感興趣，卻不管產品怎麼來的，只研究將來要研發的產品研發的東西。

在神經網路研究裡面，有一種很簡單的神經網路叫層次網，即一層一層的網路。最簡單的三層網，一個輸入網，中間的叫做引層，一個是輸出的層。這個網路像所有的科學家那樣可以做很聰明的事情，每個輸入要麼是 0 要麼是 1，網路學習能夠判斷 0101 這串數字是偶數還是奇數。這個事情說起來很簡單，但是如果你只能給計算機一個例子，通過學習，將來的輸入只要是偶數就給1，只要是奇數就給0。既然這個問題比較難，研究人員就想用設計人工神經網路來完成這個工作。的確，這是人設計出來的神經網路，非常的規則。而且非常好理解它，因為只有三層。這裡面是八個輸入，然後中間還設計了八個神經網路的結點，輸出的判斷就是 0101。所以人設計的東西規整性很好，也很好理解。但是，假定不靠設計神經網路，而用人工演化的方式。讓其自己演化出一個人工神經網路，結果和人工設計出來的結果有什麼一樣和不一樣的地方呢？這個演化的結果是九個輸入，而不是八個輸入，跟之前的結果不太一樣，因為層次不是特別的明確，沒有直接的連接。

通過演化計算髮現，一個神經網路的結構和人算出來的網路結構實際上有很大的不同，可以總結成幾點：

第一點可以演化計算得到的網路非常緊湊，即這個輸入不是真正的神經源，真正的神經源就用了四個，中間設計的神經源個數總是要跟我輸入的個數一樣，所以這個神經網路特別大，這是真正演化發現出來的問題。

第二點事通過自動演化發現的神經網路，程序會比較多一點，而不像人工那麼規整，除了中間這一層就沒有了。

第三點是這個結構出來以後，有一點雜亂無章，所以左邊和右邊是不對稱的，不好理解，這裡的問題就比較有意思了，人設計出來的所謂人工神經網路和真正演化出來的人工神經網路都解決同樣的難題，但結構不一樣。這就帶來了一個新問題，假定很幼稚地看成所謂小大腦，這個小大腦完成了測算的問題，但是這裡面沒有結構，矛盾在哪裡？這很奇怪，這裡做研究就有趣了，怎麼探討這個問題呢？可以看到，現在所謂人工智慧或者是類腦計算、人工神經網路做的東西，可以下象棋或者是下圍棋，拿世界第一。過兩天又看到人工智慧可以人工識別圖像，幾百萬的圖像也可以找到。這些事情跟人要做的事情是兩碼事，一個大腦負責處理所有事情，而目前的所有神經網路系統只專註一件事情。Alpha Go 只會下象棋，不能識別圖像。這個是非常奇妙的現象，大家都說要做智能，但是從人這裡找到的靈感，一到人工智慧這個世界就變了味道。現在的人工智慧系統或者是人工神經網路中，一個系統就做一件事，做的非常好，非常專。但是一個大腦要做多件事，所以如果一個系統要做多件事，結構會有什麼影響？這就和大腦模塊要幹什麼事情有關係，靜態環境還是動態環境又不一樣，這裡又引到我想講的第二個問題了。

很多研究者雖然對人工智慧或者是類腦計算感興趣，但是很少考慮這個人工智慧系統能幹什麼。光講人工智慧，不講人工智慧系統能幹什麼，是缺了某些東西的。人工智慧和人工智慧系統之間還是有區別的。

原來想講的一個細節跟第一個問題一樣，大家至少在學校裡面先做個小實驗。建立起一個人工網路的系統，就讓它學一件事情，可以是圖像識別或者是其他的。只讓它做這一件事，然後讓同樣的神經網路系統同時學兩件事，再觀察同樣的初始狀態，最後學出來神經網路結構有什麼不一樣，會有非常有趣的發現。這個實驗可以重複進行，一個神經網路在完成多項工作後，模塊化結構就會很明顯地顯示出來。無論是用什麼標準去衡量模塊，如果你讓一個神經網路完成一項工作的話，某些模塊功能並沒有完全發揮出來。這就是說在構造人工智慧系統的時候不能光講系統，一定要講這個系統要幹什麼，以及干一件事還是兩件事，是在靜態環境裡面還是在動態的環境裡面。

第三個問題——人工智慧的載體

這個實際上更簡單，就是身體的問題。這個問題也很特別，所有講人工智慧的人，經常不講人工智慧系統最後放在什麼地方。但是所有的大腦都是在身體上面的，所以身體實際上是蠻重要的。研究當中，四肢和六肢對大腦是有影響的。為什麼研究人工智慧的時候往往只研究人腦，而不研究身體呢，主要是因為我們做人工智慧的研究的時候的確需要特別發達的大腦。

我們做過一個人工實驗，就是人工造一個可以游泳的線蟲，這個線蟲是一節一節的，然後每一節的結構也非常簡單，每個小圓圈就代表一個神經源。這個神經源有一些是來控制運動的，肌肉可以收縮可以伸展。然後線蟲會怎樣運動呢？可以想像線蟲像波浪型往前游，就是靠一邊肌肉收縮，一邊肌肉收縮。一個時間段後，收縮的地方就伸展，伸展的地方就收縮，慢慢往前游。然後讓這個人工系統直線游，從右邊游到左邊，游的越快越好，但是不是從人的思維角度去設計，就是把線蟲放在水裡面自己去游，每一次游的快慢有一個反饋，記錄單位時間裡面遊了多少厘米。我想觀察的是我給這個線蟲不同的任務和不同的體態時，這個神經網路會怎麼出現，所以給這個線蟲分配了兩個任務。

第一個任務就是讓這個線蟲沿直線從A游到B，游的越快越好。設計神經網路控制器時，要使這個線蟲游得越快越好，實際上的控制器非常簡單。畫出來的幾個小圓圈相當於神經源，神經源的位置是可以調的。神經源的位置調的不一樣，每一次收縮和伸展的力量也不一樣。我們研究神經的結構是什麼樣的，這只是其中一節，右上角好像一個小數字，0、10、200、300 到 1190，這是我表示用這個演算法來演化人工神經網路的時候多少代，第 0 代表示初始化，初始化不知道怎麼設計，所以所有神經源的位置在這個圖上面都是隨便放的。到了第 10 代的時候，結構開始有點出現了，因為發現神經源的連接會發展兩大體，左邊的神經源也有連接，右邊的神經源也有連接。到了 30 代、200 代、300 代的時候，你就發現有一定的規律出來，神經源之間，左邊會連起來，右邊連起來，這之間沒有直接的聯繫。這個不是人想出來的，是人研發出來的，到了 1190 代的時候，非常規整對稱的結構就出來了，就是這兩邊的小距離幾乎是一樣的，這也不是人設計出來的，而是發現出來的。所以這蠻有趣的，剛開始沒有給演化演算法任何的指示，只是給定了這樣的線蟲結構，最後出現的神經網路卻是非常對稱的一個神經網路。

第二個任務是想研究這種情況下，神經網路和體態的關係。把線蟲的體態限制住，但任務還是要直著往上面走，從A到B。大家就可以想像，平常要這樣子波浪形往前走的話，在這種體態下是做不到的。因為這樣走就走右邊去了，不會往前走。但是我做實驗的時候，不告訴它這個演算法，只告訴它這是現在的身體結構有個地方被限制了。身體要往一邊歪的話，短的一面收縮，長的一面伸長，肯定不是對稱的。如果是對稱的，就不會順著頭的方向往前走。這是很明顯的一個小例子，說明設計一個人工神經網路或者是一般性探索智能系統，實際上是跟物理的體態有密切關係。

最根本的一點就是研究人工神經網路的時候，一定要考慮最後這個神經網路是放到什麼樣的物理系統。比如說，你要研究這個機器人本身，同時又要設計控制這個機器人的系統，那麼這個機器人的體態跟控制是有密切關係的，不能分開考慮。

這三個問題總結起來就是三句話：

一是所有生物界的大腦都是演化而來的，不是上帝造出來的。現在要設計人工大腦的時候，是不是應該多考慮一點演化的過程，從演化的過程中應該可以學到一點東西。

二是至少在自然界裡面，人腦要能夠完成多項工作，而且這是在動態環境或者是不確定性環境裡面進行的。而現在做的很多的人工智慧系統都是把定義定在非常窄、非常具體的某個功能上，比如識別圖像或者是下棋之類的，這兩者實際上對將來真正設計的人工智慧系統有著非常不一樣的影響，這個問題值得我們好好考慮。

三是所有的大腦在生物界都有一個載體，那就是身體，不存在光有大腦沒有身體的東西。這對於我們將來構造智能又提出一個新的挑戰，就是在設計人工智慧系統的時候要把載體考慮進去。

TAG:雷鋒網 |

※多位院士撰寫《中國科學院院刊》專題：腦科學與類腦研究概述
※華中科大駱清銘：開啟「腦空間信息計劃」，連接腦科學與類腦人工智慧
※類腦學習與處理演算法的研究
※新技術使科學家對人類腦部疾病的認識更近了一步！
※重磅講座預告：黃鐵軍、陳雲霽等專家齊聚CCF ADL，分享類腦計算與深度學習處理器
※北大計算機系黃鐵軍CCF-ADL講習班上篇：從計算機發展史講解製造超人工智慧的正途——類腦計算
※文匯講堂關注人工智慧的今天和明天 類腦與人腦如何並行
※人類腦網路組圖譜：腦圖繪製的新篇章
※美國國防高級研究計劃局深入研究類腦神經決策機制
※從蔡少棠到王智剛：打造基於憶阻器的類腦深度學習計算機
※研究人員發明出一款可以編曲的類腦晶元
※類腦計算是指借鑒大腦中進行信息處理的基本規律
※「獎金100萬」首屆大學生類腦計算大賽將舉辦，劍指通用人工智慧
※類腦器官體重現大腦發育秘密細節，「人造大腦」或可期待
※一組人類腦洞大開的發明，其中最佩服日本人
※重要科技前沿：中國成立類腦智能領域唯一的國家級工程實驗室
※中科院自動化所繪製出全新人類腦圖譜
※科學家發現智能手機對人類腦力的影響
※人類腦記憶研究迎來里程碑，可人工激活存儲在腦細胞中的記憶片段