1
| 本文作者： 杨晓凡 | 2017-08-03 13:59 |
雷锋网 AI 科技评论按：继神经科学家成为机器学习领域会议的邀请演讲的常客以后，DeepMind AI 博客今天也发出了一篇文章讲述他们对人工智能研究和神经科学研究协作的看法。他们觉得两个领域的协作不仅很有好处，而且现在已经变得紧迫。雷锋网 AI 科技评论编译如下。
人工智能近期取得了举世瞩目的成果，在学会玩 Atari 游戏、下围棋、德州扑克以后，它们现在生成的手写文本和对话也几乎跟人类的一样，可以做多种语言的翻译，甚至可以把生活照片变得和梵高的大作一样。这些进步要归功于新的统计方法和计算机不断增加的计算能力等一些原因。不过在一篇近期发表于「神经元」期刊的文章中，DeepMind的研究者们提出了这样的一个观点：来自实验和理论神经科学的想法对人工智能研究也大有帮助，而且往往被忽视了。
心理学和神经科学在 AI 的发展历程中扮演过重要的角色。Donald Hebb、Warren McCulloch、Marvin Minsky、Geoff Hinton 这些奠基人一开始的动力都是想要弄清大脑是如何工作的。然而实际上，从上个世纪晚期以来，在神经网络发展过程中起到重要作用的研究大多数都不是在数学和物理实验室中完成的，而要归功于心理学和神经生理学学科的研究者们。
在充满了挑战的现在，神经科学和人工智能领域携手研究的需求前所未有地强烈。
DeepMind的研究人员们认为，即便这两个领域都在飞速发展，研究者也应当抱有这种远见。他们急切地希望神经科学的研究者们可以和人工智能的研究者们一起找到一种共同的语言，可以让知识在两个领域之间自由地流动，从而推动两个领域内研究的长期共同进步。
DeepMind的研究人员们觉得 AI 研究中一个重要的因素是从神经科学中获得灵感，有两个原因。首先，神经科学可以帮助验证已有的 AI 技术。简单来说，如果研究者们发现的某些算法能够模仿大脑中的某个功能，这很有可能意味着这些研究是想着正确的方向去的。第二条原因是，神经科学可以在构建人造大脑时为新的算法类型和架构提供丰富的启发。以往的 AI 实现方案几乎都是基于逻辑的方法和理论性的数学模型，DeepMind的研究人员们认为神经科学可以发现多种可能对认知功能起到关键作用的生物计算方式，这样就可以对现有的方法和模型做出补充。
举一个近期的例子，经验的离线“回放”就是神经科学界的启发性的发现。生物大脑在活动期间会产生一些神经活动，然后在之后的睡眠或者安静休息的时候，大脑就会“回放”这些活动的短期模式。比如，当老鼠穿过迷宫的时候，跟地点相关的细胞就会在老鼠四处移动的过程中一直活动。等到老鼠休息的时候就可以再次在它的大脑中观察到同样的神经活动序列，仿佛老鼠们正在脑中想象它们当时的行动，然后用它们来优化未来的行为。这种猜测也得到了证实，如果干扰它们的“回放”过程，就会影响它们稍后再次进行同样任务时的表现。
如果说要造一个需要“睡觉”的智能体，听起来仿佛怪怪的，毕竟它们本来应该在制造它们的人睡觉以后还要能够反复琢磨计算问题才行。不过这种模式是 DeepMind 的 deep-Q 网络的关键部分，这个算法已经学会了搞定各种 Atari 2600游戏，表现远超人类，还仅仅需要原始的显示像素点和游戏分数作为输入就可以做到。这个 DQN 就通过存储一部分训练数据然后“离线”重看的方式模仿了“经验回放”，让它能够再次从以往的成功或失败中学习。
类似这样的成功的验证成果让DeepMind的研究人员们有了很多信心，神经科学已然成为了他们的 AI 研究思路的重要来源。但是如果着眼未来，在他们需要帮忙解决高效学习、现实世界理解、想象等未解问题的时候，神经科学将会变得不可或缺。
想象力是人类和动物具有的一种非常重要的能力，让我们无需行动就可以对未来情境做出规划，避免了不少成本付出。举个简单的例子，比如规划假期，我们就要运用我们对世界的知识（脑内的“模型”），然后靠它对未来会发生什么做出预测，评估未来的状况，这样我们就可以决定要选哪条路、或者要装哪些晴朗的天气里穿的衣服。最前沿的人类神经科学研究已经开始能够揭露这种思考方式背后的计算和系统机制，但是真正应用到人工智能模型中的这些新理解还非常少。
另一件现代 AI 研究中的重要挑战是迁移学习，为了能够高效地应对新的状况，人造智能体们需要这种在现有知识基础上做出合理决定的能力。这方面人类已经很擅长了，随便一个会开车、会用电脑、能主持会议的人在面对不熟悉的汽车、不熟悉的操作系统、不熟悉的社交状况的时候都能够对付得来。
为了研究把这种能力赋予人造系统的可能性，研究者们已经开始着手做初步的尝试。比如一类称作“渐进网络”的新的网络架构就可以学会一个电脑游戏以后，根据这些知识学会玩另一个游戏。同样的架构也可以用来把从模拟机器人手臂上学到的知识迁移到真实的机器手臂上，极大地减少了训练时间。有意思的是，这些网络跟人类的序列学习模型有一些共同点。这些诱人的联系表明了未来的 AI 研究会有很多从神经科学的研究中学习的机会。
不过DeepMind的研究人员们认为知识的交换不应该是单向的，神经科学也可以从 AI 研究中获益。比如强化学习这一现代 AI 研究的主要方法之一，最开始来自于心理学领域的动物学习理论，然后被机器学习的研究者们发扬光大。这些想法后来也反哺回了神经科学研究中，帮助我们理解一些神经生理学现象，比如哺乳动物基底神经节中多巴胺神经元的激活特性。
这种来回交流对两个领域借助对方的见解不停发展至关重要，从而构建了一个正向的循环，其中 AI 研究者运用神经科学的想法构建新的技术，神经科学家可以从人造智能体的行为中更好地学习如何阐释生物大脑。确实，这样的循环能够得到加速，近期的技术发展功不可没，比如光遗传学就可以让我们精确地测量和控制大脑活动，从中获取的大量数据还可以用机器学习领域的工具进行分析。
所以DeepMind的研究人员们认为把智慧转化为算法，然后把算法和人类大脑相比较，已经成为当前至关重要的事情。他们希望 AI 可以成为创造新知识、推进科技探索前沿的工具，那么这样的做法不仅可以支持对 AI 的研究，更可以让大家更加理解自己的大脑中都发生了什么。这有可能照亮神经科学中最难解的神秘问题，比如创造力和梦的本质，甚至有一天可以解释意识是怎么回事。面对着这么多难题，让神经科学和人工智能联手向前已经变得前所未有地紧迫。
via DeepMind Blog，雷锋网 AI 科技评论编译
论文地址：http://www.cell.com/neuron/fulltext/S0896-6273(17)30509-3
雷峰网版权文章，未经授权禁止转载。详情见转载须知。
