「如何智能」：由神經(jīng)科學啟發(fā)的人工智能

科學啟發(fā) 人工智能

趙思家 | 2017-08-24 11:04

【數(shù)據(jù)猿導讀】機器和大腦有根本性的區(qū)別;機器的使命是解決一個問題，做到最好、最快、最省;大腦的使命是，在未出生之前，就用一個答案去面對無數(shù)未知的問題。前者關鍵在「答案」，后者關鍵在「問題」。

我一直覺得 David Marr 有點像是「神經(jīng)科學里的圖靈」。

1976年，Marr 提出了一個非常有名的概念：

了解任何復雜的生物系統(tǒng)都需要經(jīng)過三層分析：

the computational level: 這個系統(tǒng)的目標是什么 (即，the goal of the system)

the algorithmic level: 實現(xiàn)這個目標所需的過程和計算 (即，the process and computations that realise this goal)

the implementation level: 在生物體內(nèi)這套「算法」是如何實現(xiàn)的 (即，the precise mechanism by which the algorithm(s) are physically implemented in a biological substrate)

今天——特別是感覺人人都懂計算機的知乎上——這個概念極其容易理解。

但這并不是說「大腦就像是機器一樣?！?/p>

機器和大腦有根本性的區(qū)別;機器的使命是解決一個問題，做到最好、最快、最省;大腦的使命是，在未出生之前，就用一個答案去面對無數(shù)未知的問題。前者關鍵在「答案」，后者關鍵在「問題」。

雖然「大腦的感知功能像是一個貝葉斯機器 (Bayesian machine)」這個概念因為 Karl Friston 的 Predictive Coding (預測編碼)在大腦感知研究中稱霸一方(我曾在《大腦無時無刻不在「預測」世界》中提到過業(yè)內(nèi) @Friston 過度的現(xiàn)象)。但這句話并不是說「大腦是機器」，而是指「在算法層(the algorithmic level)上，大腦的感知功能可能類似貝葉斯統(tǒng)計」。

雖然方向不同，但計算機學家和神經(jīng)科學家走在同一條路上。

從某種程度來看，我們都在研究一個問題就是智能的感知和認知是如何工作的。只是，again，一個是有問題、需要找到答案;而另一個是已經(jīng)有了「答案」，需要問正確的問題。

就現(xiàn)在看來，在找到那個問題和那個答案之前，我們都還有很長的路要走。如果超AI是AI的奇點，那它絕對不會在神經(jīng)科學奇點帶來之前，而遺憾的是，我們連神經(jīng)科學的奇點到底是什么都不明確。

神經(jīng)科學的發(fā)展離不開AI，AI的進步也離不開神經(jīng)科學。

神經(jīng)科學(或者是說「生物智能」或「大腦智能」)對于發(fā)展人工智能(以下簡寫為 AI)的好處有兩大方面：

第一個方面，在「如何智能」上，神經(jīng)科學已經(jīng)有很多話可以說。換言之，神經(jīng)科學可以為人工智能帶來啟示，帶來全新的算法和結(jié)構(gòu)，這些算法或結(jié)構(gòu)可能獨立于傳統(tǒng)的、當下主流的、以數(shù)學邏輯為基礎的方法，也有可能與之相輔相成。譬如說，人類大腦是如何學習理解新語言的當我們明白這個認知功能之后，就可以將算法移植到 AI 上，或是這套算法至少是解決AI語言理解的一個優(yōu)秀的備選。

這個方面非常好理解，往早期一點講，深度學習和強化學習就是兩個很好的例子。但神經(jīng)科學對AI的影響并沒有、也不會、僅限于AI早期的發(fā)展。當下，神經(jīng)科學在注意力、情節(jié)記憶、工作記憶和連續(xù)學習上的研究也對當下的AI研究有實際影響。

這部分詳情可以參考 Demis Hassabis (Alpha狗的親爹)在7月19日《神經(jīng)元》上發(fā)的綜述《由神經(jīng)科學啟發(fā)的人工智能(Neuroscience-Inspired Artificial Intelligence)》;如果大家感興趣，我可以慢慢把這篇綜述的內(nèi)容整理到專欄上來，但其實這篇綜述雖其內(nèi)容極為充實，但調(diào)理清晰語言易懂，若非語言障礙，并不需要旁人整理，直接閱讀也不應該有任何問題，裂墻推薦。

上個月有不少技術類媒體報道這篇綜述，但總覺得口吻怪米怪眼的。我還發(fā)現(xiàn)，新浪新聞將相關文章(題目：《只有了解大腦才能開發(fā)更強AI》)放在「體育–>棋牌」這個類別之下。額，alpha狗是下圍棋的但并不是AI只做棋牌生意啊。

人工智能被炒到神乎其神，Hassabis這個神人脫不開關系。大多數(shù)人想到Hassabis，第一個反應估計是他是個人工智能專家、計算機學家，但別忘了，他博士是認知神經(jīng)科學，主要研究記憶和想象，還把論文發(fā)在Science，是當年的全球最有影響力的10大研究之一。

最近谷歌在倫敦招認知神經(jīng)科學博士，工資高的發(fā)指。劍橋和UCL作為Hassabis的母校，搞人工智能和認知神經(jīng)科學的都被他挖的千瘡百孔了。(快讓我也成為其中一個瘡一個孔吧!)

咳咳。

第二個方面，在「如何智能」這個問題上，大腦是一個已知的高分答案。對于已有的AI技術，如果我們能在大腦中找到類似的結(jié)構(gòu)、算法，那么便能夠認可這個技術在修建「通用人工智能系統(tǒng)」中的一席之位。

這么講像是說，神經(jīng)科學可以給某些杰出的人工智能算法或結(jié)構(gòu)頒發(fā)「大腦認可」的認證書一般。那這個認證有多大實際價值呢一定有什么能夠超越我們自己擁有的智能;大腦一定不會是智能的唯一、最佳答案。

但是，「通用人工智能」(簡稱「強AI」，或我們可以親切地稱它為阿強)應該需要首先達到人類大腦的水平。(如果你不認識阿強，可以參考一下今天我發(fā)的另一篇《致快要被AI狂潮淹沒、卻不知道自己在說什么的我：什么是「技術奇點」》)

在離完成強AI還有一定距離的當下，學界需要一個長期研究計劃，如何篩選研究方向則是一個復雜的問題?，F(xiàn)在有很多算法和結(jié)構(gòu)，它們都有可能是強AI的prototype的零件。如果一個算法，雖然它在現(xiàn)階段并不是最優(yōu)的，但如果我們發(fā)現(xiàn)在大腦這個寸土寸金的地方它都有核心位置，那么說明它至少本質(zhì)上有適合強AI的地方(這么說有點怪怪的)，優(yōu)先優(yōu)化它、深入了解它，會是個減少繞彎路的策略。

當然，強AI并不一定需要擁有和生物體一樣的智能系統(tǒng)。條條大路通羅馬。但，大腦是一個很好的向?qū)?。說回片頭提到的，Marr 的「了解系統(tǒng)運作的三步驟」。對于人工智能來說，需要的是前兩層，即，這個(大腦認知功能)的目標是什么算法是什么 (在研究大多數(shù)認知功能的領域中，我們還正在掙扎進入第二層)

再說回關于大腦和機器之間的聯(lián)系。雖然我堅信大腦與機器不同，但從一開始學習神經(jīng)科學，我就越來越覺得難以回答這個問題：

生命是什么生命與非生命之間，是什么

智能是什么會開車就是智能么

如何智能大腦智能和人工智能最后只有高低和材質(zhì)的區(qū)別嗎

來源：36大數(shù)據(jù)

收藏分享

聲明：數(shù)據(jù)猿尊重媒體行業(yè)規(guī)范，相關內(nèi)容都會注明來源與作者；轉(zhuǎn)載我們原創(chuàng)內(nèi)容時，也請務必注明“來源：數(shù)據(jù)猿”與作者名稱，否則將會受到數(shù)據(jù)猿追責。