前沿探索 對大腦還一知半解，科學家就直接用它來「指導」機器學習了

實際上，一直以來人類大腦給人工智慧領域提供了不少研究靈感，近來發展迅猛的深度學習技術就是由大腦的生理結構「演變」而來的。因此，為了構建更聰明的人工智慧系統，目前包括美國計算機科學家兼神經科學家 Jeff Hawkins 在內的科學家們都把目光放到了「解密」大腦上。

不過，大腦實在太複雜了，就像是塞滿一團亂「通電電線」的箱子。況且想要深入了解它也不只是三年五載的事情，畢竟科學家們研究了數十年現在仍停留在淺層階段。為此， 以哈佛大學為代表的科學家團隊 採用了一種更「直截了當」的人工智慧研究方法——直接把大腦數據當作機器學習的「訓練指南」。

早前的研究已經證明，通過人為操作可以限制機器學習模型；此外使用功能性磁振造影（fMRI）技術能夠跟蹤大腦內的血流變化，從而推測大腦的活躍區域。而這支科學家團隊要做的就是，把兩者結合在一起，利用 fMRI 大腦數據來「調控」機器學習模型。

為了實現這些目標，科學家們需要把fMRI搜集到的大腦造影圖轉化為機器學習模型能夠「讀懂」的「語言」——加權值（可以理解為神經元間的信息傳遞強度）。科學家們首先要利用支持向量機對 fMRI 圖像標記的特定區域進行分析、分類，然後通過邏輯函數將處理後圖像轉化為概率值，並生成對應加權值。

與以往需演算法自我學習來調整加權值的訓練相比，這種方法更為快速，直接給學習模型一個標準答案。研究人員發現，使用這些「標準答案」來訓練圖像分類機器學習模型，不僅能加快其訓練速度，還能提高模型的性能。此外，「這種方法的有效性將為機器學習的研究提供一個新的前進方向——結合大腦活動的混合型機器學習技術。」論文中如是寫道。

雖然這項研究目前仍處於初級階段，而且只是在視覺識別領域小範圍內得到證實，但是研究人員表示，只要利用 fMRI 技術獲取不同大腦區域的活動情況，就能將這種機器學習訓練方法擴展到聽覺識別、體感識別等不同的領域中。「不僅如此，這項技術或許還能為腦機連接技術提供研發靈感。」

但轉念一想，我們本來就不知道機器學習系統是如何思考的，現在加上這些「沒有解題過程的標準答案」，機器學習的「黑匣子」或許更難解了。

粹客網是國內首個關注前沿科技領域的科技新媒體和創業服務平台。我們提供最貼近商業化的前沿科技創業報道、最新最全的科技動態資訊以及深刻獨到的行業觀點。堅持挖掘有價值的創新創業項目，致力於成為創新創業者的前沿陣地。

每月精彩評論將有機會獲得神秘禮品，線下活動 or 商業合作請私信微信公眾號（cheekrnews）或發郵件到粹客網官方郵箱。

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！