构建类人 AI,人工智能应该从大脑新皮层中借鉴什么?
漫谈

构建类人 AI,人工智能应该从大脑新皮层中借鉴什么?

借助人脑特征,AI 会变得更聪明

2017-06-05 14:51:44


现如今,人工智能已经逐渐融入到我们生活中,在医药、娱乐、运动、交通、工业制造等领域都能看到它的身影。虽然人工智能在某些范畴展现出了自己的“超凡能力”,但至今它们仍无法像人类一样思考,比如探索未知空间、简单的知识转移等等这些连小孩都能完成的任务,人工智能亦无法胜任。

为了构建出类人 AI,科学家们“各出奇招”。除了跳开生物学直接进行计算机编程这种方法之外,还有不少科学家从大脑科学着手进行研究。比如受美国高级情报研究计划署(IARPA)资助的新项目 Microns——从一立方毫米的小鼠大脑组织中获取制造人工神经网络的灵感; 或者我们今天要聊的,由美国计算机科学家兼神经学家 Jeff Hawkins推动的大脑新皮层逆向工程

大脑新皮层是什么样的存在?

image

新皮层是大脑的重要组成部分,占其总体积的 75%,是人类大脑诸如知觉、运动指令、空间推理、意识形成等等高等功能形成的关键。不过刚出生时,这种存在于哺乳动物体内、与其它脊椎动物脑区分开来的结构,是“懵懂”的,只有通过后天学习才能逐渐成长起来。

与其他大脑组织及神经系统相同,大脑细皮层亦是由神经元细胞组成的。所以说,如果要了解大脑皮层,得先从上面约 300 亿个神经元细胞开始。这些神经元,由负责发射信号的轴突和负责接受信号并向外延伸的多个树突组成。沿着树突的分支我们能够找到约五千到一万个突触,每个突触又同时与数千个神经元结构相连接,所以大脑皮层上有 100 万亿个以上的突触连接点。

我们识别朋友的脸庞、拿起杯子、享受一支歌曲……这些日常活动都由神经元的激发、轴突的传递及突触的联系引起的。而记忆的储存、新知识的领悟等等则依赖于新突触的形成。每当我们做出一个反应、一个动作,大脑新皮层中的数百亿个神经元细胞就会忙个不停。如果破开大脑探头进去,你看到的会是塞得一团乱的“电线”里不断随意横穿着“电流”。

虽然大脑新皮层的结构和运作颇为复杂——在杂乱的“电线堆”里有着几十个不同的功能区域,但其实它也可以很简单,因为每个区域的细节都非常相似。“这意味着,如果我们能够找出他们之间的共同点,并开发出一种可实现各项功能的通用算法。那么建造出真正智能的机器人将成为可能。” Jeff Hawkins 说道。

人工智能要从大脑新皮层中学习什么?

MjkwMTYxMA

“神经网络之父”Geoff Hinton 也曾表示,更好地了解神经科学,对建造更聪明的人工智能系统具有积极意义。

不过,现阶段的 AI 没有这么做吗?他们没有借鉴这些神经科学原理吗? 确实,如今已经有不少人工智能系统借鉴了神经科学的知识,比如我们熟悉的深度学习技术,但是这些神经元模型,忽略了很多真实神经系统中的独特特征,以一种过于简化的形式来实现信息处理。这也是为什么目前的人工智能系统在图像识别、语音识别等等单一领域中表现突出,但不能进行创造性推理、规划和行动的原因之一。

最近,Jeff Hawkins 教授他们发现了实现生物智能的三个重要特征。这些目前人工神经网络系统中缺失的部分,或许能为建造类人 AI 提供新思路。

1)通过“重新布线”来学习新知识

温故而知新、触类旁通、快速顿悟……这是我们人类独有的、人工智能系统还未具备的学习特征。以往科学家们认为,通过修改现有突触的连接有效性,就能达到上面所说的学习效果。但近年来他们已经知道,形成新突触并重新整合“新皮层线路”才是实现学习的关键。

每天神经元系统中都有高达 40%的旧突触被新突触取代,新突触与神经元建立新的连接,从而形成新的记忆。值得关注的是,由于树突的分子大多是独立的,新连接的产生并不会干扰其他树突的神经元。所以说,我们大脑中的知识是以积累的形式逐渐递增的,不像人工智能系统一样学习新知识时会出现“灾难性遗忘”。

这意味着,为 AI 系统建立一种可让人工神经网络实现线路重新整合的算法,将能让其实现多任务学习。

2)分散的碎片式信息保存方式

大脑和计算机表达信息方法截然不同。在计算机中,数据是以“0”和“1”相互组合的形式来进行表达及保存的,只要里面的某一位发生了变化,最后呈现出的结构将完全不同。

与这种较为死板、易出错的信息储存方式不同,大脑的使用的是——分散的碎片式保存法。打个比方,比如我们大脑中储存“猫”这个概念,可能要调用一万多个神经元,每个神经元代表着猫的某一特征属性,比如宠物、毛茸茸、抓挠等等。但是我们在提取“猫”这一概念的时候,不需要所有的神经元都参与其中,只要里面约 1%的神经元被激发就可以了。也就是说,即使每天学习过程中神经系统会产生和淘汰大量的突触,“猫”的概念也不会被覆盖或者全部清空。“本质上,这是一种容错的能力。”Jeff Hawkins 说道。

此外,这种信息保存方式具有重叠、共享的属性,所以这一万多个神经元并是不“猫”专属的,其他具备相同特征的概念亦能使用其中对应的神经元。比如“猫”和“鸟”会共用宠物、有脚等等特征。虽然听起来没有什么特别,但这是人类能够迅速分析两个对象相似点与差异的关键,同时也是我们可以举一反三的原因之一。

这种特别的信息提取方式是人类能够快速理解、思考及规划的基础。如果将这种机制融合到人工智能系统中,它们将能使用更有效的方式来保存及提取信息。

3)可适应周遭环境的感觉统合机制

每当我们移动自己的眼睛、四肢或者身体的时候,感觉的输入就会发生变化,而这种传输到大脑的、不断变化的资讯是人类了解、认识这个世界的重要方法。打个比方,我们在学习一个未知事物的时候,会通过观察、触摸等不同的方法来了解它的形状、外观、作用。具体来说,你每做出一个动作,大脑便会对新事物形成一定的认识。这种机制被称为感觉统合,是我们大脑学习的主要手段。

当然,这不是说要人工智能系统要拥有一个身体,只要它们能够在持续运行和变化过程中学习便可。目前科学家们已经发现,感觉统合发生在大脑新皮层每个区域中,是所有感官信息处理的重要组成成分。而借助这种学习机制,目前深度学习网络需要构建 100 个层级网络才能实现的图像识别,使用新皮层只要四层就能搞定。此外,深度学习网络需要经过数百万次训练构建出的模型,新皮层可以用少量的运动及感觉学习来实现。

事实上,从人工智能研究之初,不少科学家已经否定了“模拟一个完整人脑”的想法。就像飞机是莱特兄弟通过研究鸟类制作出来的,但其机翼并不会像鸟的翅膀一样摆动。同理,构建类人 AI 不需要模拟一个与人类大脑一模一样的神经网络,只需要找出里面实现类人思维的关键元素便可。“未来的类人人工智能系统可以忽略很多生物学的结构,但是这三个新皮层特征是不可或缺的,是建造强人工智能系统的基石。”Jeff Hawkins 教授说道。

扫码关注粹客网微信公众号,每日推送更多精彩资讯,随时随地关注业界最新动态
关注人工智能/生物医疗/材料科学等领域,欢迎交流,微信:Lucy_Cheng_nsn

热门评论

Copyright © 2015-2016 粹客网 | 广州市彼利熊网络科技有限公司 (粤ICP备15096117号)