推動智能技術向通用的人類水平的智能

腦科學與類腦演算法研究的關係，我們可能會發現很多可供借鑒的基本規律。下面簡單分析幾個例子。第一是我們可以向腦學習如何更好地實現演算法設計的模塊化。模塊化設計早已被計算機科學所採用。在這樣的設計中，問題的解決分成幾個固定的部分（子問題），每一個計算模塊（子程序）只負責處理其中的一個。這一設計的優勢在於能使演算法設計大大簡化，易於調試，易於修改，可以逐步完善並增加功能。更重要的是，因為表面上看起來不一樣的問題往往能分解成相似的子問題，這使得模塊可以重複利用，大大提高了效率並使得高度簡併的系統能夠勝任複雜多樣的任務。模塊化設計的優勢顯而易見，但面對一系列具體問題，應該如何最有效率地劃分子問題，這本身是一個困難的任務。而這可能是我們能夠向大腦學習的重要知識之一。真實的大腦是模塊化設計的一個範例，每個腦區或亞區負責一個信息處理的環節或方面，而具體的模塊劃分是經過漫長自然選擇加以優化的結果，已經適應了高效處理真實世界的實際問題。深度神經網路借鑒的對於視覺信息的多層、分步處理結構，某種意義上就是大腦模塊化設計的一個方面。另外近期的一項研究顯示，僅僅初步借鑒了非常粗略的腦功能模塊劃分（包括一系列視覺區域，一個記憶區域，一個決策區域以及一系列運動控制區域等），就能使得一個相對簡單的系統勝任多種不同的任務。

而AlphaGo 存在一個圍棋盤面的估值網路和一個獨立的走棋網路（雖然我們還不知道這是否是有意的類腦的設計，但這在原理上可能是類腦的劃分），也說明了合適的模塊化設計能是其成功的一個重要因素。這些結果令人鼓舞，但我們對於大腦模塊化設計的借鑒也許才剛剛開始。現在神經科學的研究正在為我們給出非常詳盡的，包含數百個亞區的有關人腦的模塊化分區圖譜，包括每一個模塊和其他模塊之間的信息傳遞通路。可以預見，這將對類腦信息處理演算法的設計提供關鍵的啟示。比如對於語言區的精細亞區劃分及其功能的闡明，就可能對於語言處理演算法的模塊化設計提供有益的借鑒。有關類腦演算法設計的第二個例子是我們可以向大腦學習如何調節網路的狀態，從而靈活調控信息處理過程，使得系統能夠適應不同的功能需求。

腦中除了基本的興奮與抑制性的神經遞質外，還有眾多的神經調質，他們的作用在於根據當前的環境與行為目標隨時動態調節大範圍神經網路的行為，使得相對固定的網路結構能夠勝任複雜多變的情況，實現千差萬別的任務。近年來對於介觀及宏觀腦網路動態活動規律的研究發現，腦網路可能自發地組織於一個「臨界」狀態附近，這一狀態使得信息的存儲、傳遞和處理都能實現最優化。重要的是，通過對這一狀態的微調，可以迅速調節網路功能，從而適應不同任務的要求。對於神經調質以及網路狀態調控等原理的借鑒，有望對設計更加靈活，更有適應能力的人工信息處理系統提供有益啟示。我們有可能從大腦的工作原理受到重要啟發的第3個例子是如何實現小樣本的學習和有效推廣。目前取得巨大成功的深度學習依賴於龐大的樣本數量，這與大腦卓越的「舉一反三」，即小樣本學習的能力形成鮮明對比。原理上看，這意味著生物腦的學習過程並非從零開始，而是從學習之初，就擁有並運用了重要的先驗知識，這包含了物種在進化過程中學到的（生物學稱之為系統發生），以及個體在生活過程中學到的有關真實世界的關鍵知識。讀取這些知識，以及借鑒如何將這些知識作為先驗信息注入神經網路結構從而實現小樣本學習，可能會是神經科學以及類腦演算法設計中一個富於成果的領域。

神經科學可能會對類腦演算法設計提供重要啟示的領域還包括對於突觸可塑性的進一步認識，具體的各項腦功能在神經環路水平的機制等。幾乎可以說，每一項腦科學的原理性發現，都可能蘊含著一顆種子，有潛力在人工智慧的領域成長為像深度神經網路一樣的參天大樹。

總結而言，類腦計算是融合了腦科學與計算機科學、信息科學和人工智慧等領域的交叉學科，我們有理由期待這一領域的研究將在不久的將來帶來更多的令人矚目的成就，推動智能技術向通用的人類水平的智能，即強人工智慧的目標逐漸逼近。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！