劍橋大學(xué)最新研究顯示，AI 模型和人腦神經(jīng)結(jié)構(gòu)有不少相似，也許未來會成為 AI 模型設(shè)計的關(guān)鍵。
人腦作為地球上最復(fù)雜的智能載體，一個最大的特點就是能高能效地產(chǎn)生智能。如果能盡可能按照人腦的工作原理來創(chuàng)建 AI 系統(tǒng)，將會大大提高 AI 的工作效率，大幅降低能耗。
最近，劍橋大學(xué)做了這么項研究，就是想找到一個條路徑，讓 AI 系統(tǒng)復(fù)制人腦。
直譯過來就是 ——AI 系統(tǒng)自我組織，生成了一系列人腦的特征，甚至還有各種復(fù)雜的組織。
AI 仿真大腦
大腦大家都不陌生，里面有很多神經(jīng)系統(tǒng)和組織。所有的組織和系統(tǒng)都在有限的物理空間內(nèi)部爭取有限的能量和資源。
但為了和諧共生，各部分之間就得平衡一下彼此的需求。
這也就是為什么各個物種的腦部結(jié)構(gòu)都差不多，就是因為在不斷地優(yōu)化和調(diào)整之后，大家都傾向于發(fā)育成類似的組織解決方案。這種方案能帶來各部分之間的平衡。
劍橋大學(xué)醫(yī)學(xué)研究委員會認(rèn)知與腦科學(xué)組（MRC CBU）的蓋茨學(xué)者 Jascha Achterberg 表示，「大腦不僅善于解決復(fù)雜的問題，而且在解決復(fù)雜問題時耗能還很少。」
而劍橋大學(xué)的新研究，就有助于我們理解為什么大腦看起來就是現(xiàn)在這個樣子。研究途徑，就是將大腦解決問題的能力和在解決問題的過程中極少的耗能這兩點結(jié)合在一起，進(jìn)行整體的考慮。
共一作者是同樣來自 MRC CBU 的 Danyal Akarca 博士，他補充說：這源于一個廣泛的原則，即生物系統(tǒng)的進(jìn)化通常是為了最大限度地利用其可用的能量資源。它們找到的解決方案往往非常優(yōu)雅，反映了施加給它們的各種力量之間的權(quán)衡。
而這篇發(fā)表在 Nature Machine Intelligence 的研究，就是 Achterberg、Akarca 和他們的其他團隊成員創(chuàng)建的一個 AI 系統(tǒng)。核心就是模擬一個非常簡化的大腦模型，同時施加了和人腦差不多的物理約束。
研究表明，這個設(shè)計出來的 AI 系統(tǒng)，還真發(fā)展出了某些和人類大腦相似的關(guān)鍵性特征，以及發(fā)育策略。
人腦中存在大量神經(jīng)元，而這個系統(tǒng)使用的是計算節(jié)點，不是真正的神經(jīng)元。但神經(jīng)元和節(jié)點的功能類似，都是接收輸入、轉(zhuǎn)換輸入并產(chǎn)生輸出，而且單個節(jié)點或神經(jīng)元可能連接多個其他節(jié)點或神經(jīng)元，這一點沒什么差別。
并且，所有信息輸入以后都要經(jīng)過計算。
下面就是最主要的部分了 —— 研究團隊施加的物理限制。
每個節(jié)點在虛擬空間中都有一個特定的位置，兩個節(jié)點離得越遠(yuǎn)，它們就越難以進(jìn)行溝通。這與人腦中神經(jīng)元的組織方式類似。
首先，研究人員給該系統(tǒng)布置了一個簡單的任務(wù) —— 一個簡化版的迷宮導(dǎo)航任務(wù)，通常是在研究大腦時給大鼠和獼猴等動物布置的任務(wù)，參與者必須結(jié)合多種信息來決定到達(dá)終點的最短路線。
之所以研究團隊選擇這項任務(wù)，其中一個原因就是，要完成這項任務(wù)，系統(tǒng)需要記住一系列的要素 —— 包括起始位置、終點位置和中間的步驟。
一旦系統(tǒng)學(xué)會了怎樣可靠地完成任務(wù)，研究人員就有可能在試驗的不同時刻觀察到哪些節(jié)點是重要的。
例如，一個特定的節(jié)點集群可能負(fù)責(zé)編碼迷宮終點的位置，而其它節(jié)點集群則側(cè)重編碼可用的路線這一塊。
因此，研究人員就可以跟蹤哪些節(jié)點在任務(wù)的不同階段處于活動狀態(tài)，以此判斷各節(jié)點的不同功能。
起初，系統(tǒng)不知道如何走出迷宮，甚至還會犯錯誤。
但是，當(dāng)系統(tǒng)得到反饋后，它就會通過不斷地自我學(xué)習(xí)，逐漸明白如何更有效率地完成這項任務(wù)。
具體方式是，這個 AI 系統(tǒng)會通過改變節(jié)點間連接的強度來進(jìn)行學(xué)習(xí)，這和我們?nèi)祟愒趯W(xué)習(xí)時腦細(xì)胞之間連接強度會出現(xiàn)變化類似。
在自我學(xué)習(xí)過后，系統(tǒng)就會一遍又一遍地重復(fù)任務(wù)，直到最終學(xué)會如何正確執(zhí)行完所有任務(wù)。
然而，在他們設(shè)計的系統(tǒng)中，存在物理限制，這就意味著兩個節(jié)點之間離得越遠(yuǎn)，就越難根據(jù)反饋在兩個節(jié)點之間建立連接。這點在人腦中也是一樣 —— 跨越較大物理距離的連接不好形成，想讓這類連接維持下來并得到強化，則更加難能可貴。
當(dāng)系統(tǒng)被要求在這些限制條件下執(zhí)行任務(wù)時，AI 會使用一些與真實的人腦相同的技巧來解決任務(wù)。
例如，為了繞過這些限制，AI 就會自發(fā)開始發(fā)展集線器，這是一種高度連接的節(jié)點，作為在網(wǎng)絡(luò)中傳遞信息的管道。
而更令人感到震驚的是，單個節(jié)點本身的反應(yīng)特征也開始發(fā)生變化，換句話說，每個節(jié)點不是為迷宮任務(wù)的某一特定屬性（如確定目標(biāo)位置或進(jìn)行下一步驟的選擇）來編碼，而是會慢慢發(fā)展出一種靈活的編碼方案。
這就意味著，在不同的時刻，節(jié)點可能會對迷宮的各種屬性進(jìn)行編碼。
打個比方，同一個節(jié)點可以對迷宮的多個位置進(jìn)行編碼，而不需要專門的節(jié)點對特定位置進(jìn)行編碼。這也是復(fù)雜生物大腦的一個顯著特點。
論文合著者之一、劍橋大學(xué)精神病學(xué)系的 Duncan Astle 教授表示，這種簡單的限制，是針對復(fù)雜生物體大腦的另一種特征。
稍微給一點簡單的限制，比方說上面提到的，物理距離較遠(yuǎn)的兩個節(jié)點連接起來比較困難，就會迫使 AI 系統(tǒng)產(chǎn)生一些相當(dāng)復(fù)雜的特征。
而研究的重點落腳到 —— 這些特征是人腦等生物系統(tǒng)所共有的，也就是說，通過 AI 的模擬，最終還是要去研究人腦。
研究團隊所希望的是，他們的 AI 系統(tǒng)能夠開始揭示這些制約因素是如何形成人腦之間的差異的，以及如何導(dǎo)致那些在認(rèn)知或心理健康方面有困難的人出現(xiàn)各種各樣的差異。
論文合著者之一、來自英國醫(yī)學(xué)研究中心 CBU 的 John Duncan 教授說：這些人造大腦為我們提供了一種方法，讓我們能夠理解在真實大腦中所記錄下的那些和真實神經(jīng)元活動相關(guān)的各種各樣的數(shù)據(jù)。
而沒有這一步，這些數(shù)據(jù)就只是數(shù)據(jù)，換句話說，抽象。
Achterberg 補充說：“AI 大腦能讓我們提出在實際生物系統(tǒng)中不可能解決的問題。我們可以訓(xùn)練該系統(tǒng)執(zhí)行任務(wù)，然后在實驗中對我們施加的限制進(jìn)行試驗，看看它是否開始變得更像特定個體的大腦?！?/p>
對設(shè)計未來人工智能系統(tǒng)的影響
當(dāng)然了，除了能幫助腦科學(xué)家研究人腦，這項研究當(dāng)然也可以引發(fā) AI 界的興趣和廣泛討論，因為它們可以開發(fā)出更高效的系統(tǒng)，尤其是在可能存在物理限制的情況下（這時的物理限制就不是強加的了，而是客觀存在的限制）。
其中一位研究者表示，AI 屆的研究人員一直在努力研究如何開發(fā)出更加復(fù)雜的神經(jīng)系統(tǒng)，使其能夠以靈活高效的方式進(jìn)行編碼和執(zhí)行任務(wù)。
為了實現(xiàn)這一目標(biāo)，開發(fā)人員們認(rèn)為神經(jīng)生物學(xué)會給他們帶來很多啟發(fā)。
打個比方，他們所創(chuàng)建的系統(tǒng)的整體布線成本，要比典型的 AI 系統(tǒng)低得多。
要知道，許多現(xiàn)代的 AI 解決方案使用的架構(gòu)只是表面上與大腦相似。研究人員說，這項新的研究表明，人工智能要解決的問題類型這件事，會影響究竟使用哪種架構(gòu)最強大這個問題。
Achterberg 表示，「如果你想建立一個人工智能系統(tǒng)來解決與人類相似的問題，那么最終這個系統(tǒng)會比運行在大型計算集群上的系統(tǒng)更接近真實的大腦，因為后者專門處理與人類截然不同的任務(wù)。」
「我們在人工大腦中看到的架構(gòu)和結(jié)構(gòu)之所以存在，是因為它有利于處理所面臨的類似大腦的特定挑戰(zhàn)?！?/p>
這意味著，AI 機器人必須在有限的能源資源下處理大量不斷變化的信息，擁有與人類相差不多的大腦結(jié)構(gòu)會讓它們在執(zhí)行很多任務(wù)的時候事半功倍。
Achterberg 教授進(jìn)一步說道：部署在真實物理世界中的 AI 機器人的大腦可能會更像我們的大腦，因為它們更有可能面臨與我們相同的任務(wù)。
它們需要不斷處理傳感器傳來的新信息，同時控制自己的身體在空間中向目標(biāo)點位移動。
許多系統(tǒng)需要在電能供應(yīng)有限的情況下運行所有相關(guān)計算。因此，AI 系統(tǒng)為了平衡這些能量和資源上的限制，以及需要處理的信息量，它們就很有可能需要一個與人類大腦相類似的結(jié)構(gòu)。
目前，這項研究得到了醫(yī)學(xué)研究委員會、蓋茨劍橋大學(xué)、James S McDonnell 基金會、Templeton 世界慈善基金會和谷歌 DeepMind 的資金資助，相信未來這項研究會在腦科學(xué)和 AI 領(lǐng)域都產(chǎn)生重大影響。
參考資料：
https://www.cam.ac.uk/research/news/ai-system-self-organises-to-develop-features-of-brains-of-complex-organisms
廣告聲明：文內(nèi)含有的對外跳轉(zhuǎn)鏈接（包括不限于超鏈接、二維碼、口令等形式），用于傳遞更多信息，節(jié)省甄選時間，結(jié)果僅供參考，IT之家所有文章均包含本聲明。