DeepMind：把人工智慧和神經科學結合起來，實現良性循環

選自DeepMind

機器之心編譯

參與：Nurhachu Null、路雪

人工智慧發展早期的許多啟發來自於神經科學，神經科學也從人工智慧研究者的理論和模型中受益良多。將二者結合起來，互相學習，互相汲取靈感，形成良性循環，或對二者的持續發展產生積極影響。

人工智慧的最新進展引人注目。人工系統在 Atari 視頻遊戲、古老的棋類遊戲圍棋以及撲克遊戲中已經優於人類專業玩家。它們還可以生成與人類無差別的筆跡和語音、在多種語言之間翻譯，甚至將你的假期照片用梵高的風格進行風格重塑。

這些進步可以歸結為幾個因素，包括新型統計方法的使用和計算機計算能力的增長。但是我們最近在 Neuron 雜誌發表的觀點認為，有一個因素經常被忽視，即實驗神經科學和理論神經科學的貢獻。

心理學和神經科學在人工智慧的發展史上起著關鍵作用。人工智慧的奠基人物諸如 Donald Hebb、Warren McCulloch、Marvin Minsky 以及 Geoff Hinton，最初都是被想要理解人腦工作原理的願望所激勵。事實上，在整個 20 世紀末期，大部分開發神經網路的關鍵工作並沒有發生在數學或者物理實驗室，而是在心理學和神經生理學系。

正因為如此重要，將神經科學領域和人工智慧領域結合起來的需求比以往任何時候都更加迫切。

在 DeepMind，我們認為，儘管這兩個領域都得到了快速發展，但是研究人員不應該忽視這個觀點。我們督促神經科學和人工智慧領域的研究者們去尋求一種能夠讓知識自由流動的共同語言，讓知識的自由流動來推動這兩個領域持續向前發展。

對人工智慧研究來說，從神經科學汲取靈感是非常重要的，我們認為有兩個原因：第一，神經科學能夠幫助驗證已經存在的人工智慧技術。簡而言之，如果我們發現我們的一種人造演算法能夠模仿人腦中的某個功能，這表明我們的方法或許在正確的方向上了。第二，在構建人造大腦的時候，神經科學可以為新型的演算法和結構提供豐富的靈感來源。歷史上，傳統的人工智慧方法都是由基於邏輯的方法和基於理論數學的模型所主導。我們認為神經科學可以通過識別可能對認知功能很關鍵的生物計算類別對此進行補充。

以一個最近在神經科學領域的重要發現為例：離線體驗「回放」的發現。在睡眠或者安靜休息的時候，生物大腦會「回放」由早期活躍時段生成的神經活動。例如，當老鼠穿過迷宮的時候，「地方」單元隨著老鼠的運動會激活。在休息的時候，在老鼠的大腦中觀察到了相同的神經活動序列，貌似老鼠會在精神上重新想像它之前的活動，並用它們去優化未來的行為。事實上，對回放的干擾會損害它們後來進行同樣任務時的表現。

「回放」是 DQN 的關鍵元素，DQN 是一個通用智能體（general-purpose agent），它能夠持續地調整自己的行為來適應新的環境

乍一看，構建一個需要「睡眠」的人工智慧體似乎是反直覺的——畢竟，它們應該在它們的程序員睡覺之後在一個可計算的問題上耗很多時間。但是這個原則卻是我們的 deep-Q Network（DQN）的關鍵部分，這是一個僅僅依靠原始像素和分數作為輸入，通過學習能夠把 Atari 2600 遊戲掌握到超過人類的水平的演算法。DQN 通過存儲一個它能夠離線「回顧」的訓練數據的子集來模仿「經驗回放」，這使得它能夠從過去的失敗和成功中學習到新的東西。

這樣的成功給了我們信心，神經科學早已成為人工智慧思想的重要源泉。展望未來，我們相信神經科學在幫助我們處理一些仍未解決的問題上會變得不可或缺，例如高效學習、理解物理世界和想像力。

想像力對人類和動物來說一個十分重要的功能，想像力允許我們在仍未發生的情況下就可以規劃未來，當然這是有代價的。舉個簡單的例子，比如規劃一個假期。為了做到這件事，我們要利用我們關於這個世界的知識或者「模型」，並且用它來及時地推進或者評估未來的狀態。這允許我們計算需要走的路徑，或者打包在晴天穿的衣服。儘管人類神經科學的前沿研究正在開始揭示支撐這種思維的計算系統和機制，但是很多這種新的理解尚未在人工模型中得到應用。

神經科學領域和人工智慧領域有一個漫長且相互交織的歷史

當下人工智慧研究的另一個重要挑戰就是遷移學習。為了能夠高效應對新情況，人工智慧體需要在現有知識的基礎上構建作出明智決策的能力。人類早已精於此道：人可以開汽車、使用筆記本或者能夠主持一個會議，此外，在面對不熟悉的車輛、操作系統或者社會環境的時候人類通常也能夠有效應對。

朝著理解這種情況如何發生在人工智慧系統中這個目標，研究者現在開始邁出了第一步。例如，一種叫做「漸進網路（progressive network）」的新型網路結構能夠利用在一個視頻遊戲中習得的知識去學習另外一個視頻遊戲。在從模擬機器臂向現實手臂遷移知識的場景中也使用相同的結構，這大大地縮短了訓練時間。有趣的是，這些網路與人類的連續任務學習模型有某些相似之處。這些聯繫表明未來的人工智慧研究非常有可能從神經科學的工作中學習到一些東西。

但是這種知識的交換不可能是單向的，神經科學也能夠從人工智慧研究中獲益。以強化學習為例——強化學習是當下人工智慧研究的核心方法之一。儘管強化學習的原始思想來源於心理學中的動物學習理論，但是它是由機器學習研究者來開發和闡述的。這些思想又回饋神經科學的研究，幫助我們理解神經生理現象，例如哺乳動物基底神經節中的多巴胺神經元的放電特性。

人工智慧研究者從神經科學中汲取思想來建立新的技術，神經科學家從人工智慧體的行為中學習，以更好地解釋生物大腦——如果這兩個領域要持續地藉助彼此的思想發展，並創建一個良性循環，那麼這種一來一往的啟發是必須的。事實上，由於近期的種種進展，例如光遺傳學，它允許我們精確地測量和操縱腦活動，產生大量能夠使用機器學習工具進行分析的數據。

所以我們認為，把智力轉換為演算法並將其與人類大腦進行比較現在是非常關鍵的。這不僅能夠加強我們對開發人工智慧這種有望創造新知識並且推動科學發現的工具的追求，而且還有可能幫助我們更好地理解人類大腦內部到底發生著什麼。這有可能揭示神經科學中的一些奧妙，例如，創造力、夢，甚至意識的本質。正因為如此重要，將神經科學領域和人工智慧領域結合起來的需求比以往任何時候都更加迫切。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！