AI想要進(jìn)階需要什么

揭示大腦的奧秘一直是人類科學(xué)探索的方向之一，世界的科學(xué)家紛紛致力于“腦計(jì)劃”研究，共同向這一科學(xué)堡壘發(fā)起沖刺。通過對(duì)大腦奧秘的探究，實(shí)現(xiàn)模擬人腦功能，從而得到新的知識(shí)與判斷，或?qū)⑹?u>AI從誕生到進(jìn)化的必由之路。大腦智能模擬與AI有何種緊密聯(lián)系？它將如何幫助AI“進(jìn)化”？今天這篇文章，將帶你探索AI與模擬大腦的奧秘。

人工智能這個(gè)詞，從誕生到一路坎坷地迎來輝煌，就注定與“模擬”緊密相連。

1956年，在新罕布什爾州達(dá)特茅斯學(xué)院的一次小型會(huì)議上，赫伯特西蒙、約翰麥卡錫、克勞德香農(nóng)等AI界的開山鼻祖?zhèn)?，就提出了“智能的任何特征，原則上都可以精確描述，因此我們可以制造機(jī)器來對(duì)它進(jìn)行模擬”。

當(dāng)代也有不少科學(xué)家堅(jiān)信，觀察研究人類大腦，可以輕松解決新一代人工智能的設(shè)計(jì)問題。2013年，歐盟牽頭、26個(gè)國(guó)家135個(gè)合作機(jī)構(gòu)參與的“人類腦計(jì)劃”（Human Brain Project，簡(jiǎn)稱HBP）也將重點(diǎn)放在了，如何通過超級(jí)計(jì)算機(jī)技術(shù)來模擬人腦功能，以期實(shí)現(xiàn)人工智能。

聽起來，模擬人腦的思維路徑，在此基礎(chǔ)上進(jìn)行推理運(yùn)算，得到新的知識(shí)、判斷，似乎是AI從誕生到進(jìn)化的必由之路。

然而，遠(yuǎn)有日本雄心勃勃打造的能像人一樣推理的“第五代計(jì)算機(jī)”宣告破產(chǎn)，近有耗時(shí)10年、燒光10億歐元試圖模擬大腦的“藍(lán)腦計(jì)劃”（Blue Brain Project）徹底涼涼，連一個(gè)蠕蟲的大腦都沒模擬成功。

這不禁讓我們有些疑惑，AI與模擬大腦之間，到底存在著怎樣復(fù)雜糾結(jié)的聯(lián)系？

從熱戀到冷落：

模擬大腦如何成為AI的備胎

先解釋一下，雖然都是對(duì)大腦智能的“模擬”，但不同人工智能學(xué)派的理念卻各不一樣。

符號(hào)主義學(xué)派主張模擬人腦的邏輯思維。先把問題或知識(shí)表示為某種邏輯結(jié)構(gòu)，運(yùn)用符號(hào)演算，從而實(shí)現(xiàn)表示、推理和學(xué)習(xí)等功能，典型代表就是專家系統(tǒng)。

聯(lián)結(jié)主義學(xué)派則主張模擬人腦的生理結(jié)構(gòu)和工作機(jī)理。通過人腦神經(jīng)網(wǎng)絡(luò)、神經(jīng)元之間的連接以及在神經(jīng)元間的并行處理，實(shí)現(xiàn)對(duì)人腦智能的模擬?，F(xiàn)在街知巷聞的神經(jīng)網(wǎng)絡(luò)算法，就是這一理念的成功應(yīng)用。

而行為主義學(xué)派則主張直接模擬智能行為的感知和動(dòng)作模式。不要考慮復(fù)雜的知識(shí)、表征、推理等等，讓AI在現(xiàn)實(shí)世界中通過自動(dòng)控制過程與環(huán)境交互作用表現(xiàn)出來就好。

當(dāng)然也有像瑞士神經(jīng)科學(xué)家Henry Markram主導(dǎo)的“藍(lán)腦計(jì)劃”一樣，試圖用計(jì)算機(jī)創(chuàng)建復(fù)雜的數(shù)學(xué)模型，用來模擬人腦的86億個(gè)神經(jīng)元和100萬億的突觸，以幫助研發(fā)出更智能的機(jī)器人。

在當(dāng)時(shí)來看，所有模擬理論或多或少都有一些問題。比如符號(hào)主義很難說清楚，數(shù)字模型與人類心理相似性上的關(guān)聯(lián)；聯(lián)結(jié)主義只能粗略地模擬神經(jīng)系統(tǒng)，如果訓(xùn)練多層網(wǎng)絡(luò)使用的路徑，就很難找到與之對(duì)應(yīng)的生物學(xué)知識(shí)和匹配的硬件。行為主義只能實(shí)現(xiàn)低層智能，比如讓機(jī)器蟲爬來爬去，而復(fù)刻一個(gè)數(shù)字化大腦就更不現(xiàn)實(shí)了，因?yàn)橄胍獜募?xì)胞層面構(gòu)建人腦模型、模擬860億個(gè)神經(jīng)元的運(yùn)作與相互關(guān)聯(lián)，以今天的腦科學(xué)水平注定只是白花錢。

所以，現(xiàn)實(shí)中的人工智能，正如圖靈所說，唯一需要做的事就是找到腦內(nèi)運(yùn)行的程序，獲得正確的智能算法，然后在合適的硬件上運(yùn)行它。

而時(shí)代的幸運(yùn)兒就是深度學(xué)習(xí)。模擬人腦神經(jīng)網(wǎng)絡(luò)工作機(jī)制的深度學(xué)習(xí)方法，乘著互聯(lián)網(wǎng)的東風(fēng)直上青云，成為最適合將智能程序與算法下沉到社會(huì)機(jī)器上的核心技術(shù)。

在感知層面，利用現(xiàn)代計(jì)算機(jī)算力的提升，以及網(wǎng)絡(luò)數(shù)據(jù)量的暴漲，讓深度學(xué)習(xí)通過大規(guī)模數(shù)據(jù)集與訓(xùn)練來獲得數(shù)據(jù)模型成為了可能。

而在讓機(jī)器“看起來智能”的核心推理能力上，深度學(xué)習(xí)也展現(xiàn)了足夠強(qiáng)大的進(jìn)步。主要體現(xiàn)在兩個(gè)方面：一種是判別事物。在已知屬性的條件下，讓機(jī)器對(duì)某個(gè)事物進(jìn)行判斷與分類，比如找出垃圾郵件或攻擊性語言，亦或是從圖像、視頻中識(shí)別出某種特殊物體等等。

另一個(gè)能力則是生成。也就是通過訓(xùn)練好的模型，產(chǎn)生出符合該模型描述的數(shù)據(jù)。比如風(fēng)靡一時(shí)的AI換臉，越來越機(jī)靈的智能語音助手，自動(dòng)編寫新聞的機(jī)器人等等。

得益于這種在應(yīng)用場(chǎng)景上快速打開商業(yè)想象力的優(yōu)勢(shì)，我們今天提到AI，絕大多數(shù)人的第一反應(yīng)，已經(jīng)不再是被替代的恐慌、超越人類的恐怖故事，而是如何讓數(shù)字世界為AI所用，再讓以深度學(xué)習(xí)及衍生技術(shù)為基石的AI反哺千行萬業(yè)，為社會(huì)生活提質(zhì)增效。

既然如此，為什么科學(xué)家們還是對(duì)模擬人腦的方案念念不忘呢？這恐怕要從“賽爾的中國(guó)屋”說起。

念念不忘，必有回響：

AI研究為何與模擬大腦再續(xù)前緣？

哲學(xué)家賽爾，曾經(jīng)用這樣一個(gè)例子，來表達(dá)他對(duì)模擬程序的“機(jī)器智能”并不認(rèn)可。

他想象自己在一個(gè)屋子里，有人會(huì)從窗口傳遞給他一個(gè)用中文書寫的問題，而他需要用中文給出答案。但賽爾完全不懂中文，也看不懂漢字，但他擁有了一套能幫他編寫答案的書。書中會(huì)告訴他復(fù)雜的規(guī)則，教他操作“無意義”的漢字符號(hào)，并將之變成答案。經(jīng)過了充分的練習(xí)之后，賽爾就可以熟練地用中文輸出答案了，乍一看，似乎和地道的中國(guó)人沒什么兩樣。

但顯然，我們并不能因此就認(rèn)為，賽爾會(huì)中文。哲學(xué)家本人也由此得出結(jié)論，一個(gè)由毫無理解能力的各種要素組成的綜合體是沒法變魔術(shù)似的產(chǎn)生理解力的。

這與深度學(xué)習(xí)的邏輯有著異曲同工之處。某種程度上，也反映了當(dāng)前智能的技術(shù)實(shí)現(xiàn)路徑，所具有的局限：

比如人類大腦能夠快速適應(yīng)不斷變化的環(huán)境，而機(jī)器在不確定性較高的環(huán)境中，性能就會(huì)大幅下降，因此只能用于一些特定的領(lǐng)域。正如谷歌公司前副總裁安德魯·摩爾所說，今天最精密的計(jì)算機(jī)也不過是只能“解決特定問題的智能計(jì)算器”。你沒辦法讓一個(gè)炒菜機(jī)器人自己學(xué)會(huì)送餐，也沒辦法讓人工智能主動(dòng)“創(chuàng)建”并解決問題。

再比如學(xué)習(xí)效率上，人類大腦也與機(jī)器智能大相徑庭。谷歌的機(jī)器識(shí)別算法，在無監(jiān)督的情況下自動(dòng)學(xué)習(xí)識(shí)別“貓”的視覺圖像，需要1000臺(tái)計(jì)算機(jī)聯(lián)網(wǎng)合作。然而一個(gè)人類小孩在幼兒園玩玩具的功夫就能辦到。機(jī)器如果真的有思維，恐怕早就變成檸檬精了。

而且，人腦決策時(shí)會(huì)運(yùn)用許多隱知識(shí)（也就是下意識(shí)的直覺），而機(jī)器必須根據(jù)復(fù)雜多元的環(huán)境不斷調(diào)整并改變策略，這就導(dǎo)致機(jī)器決策會(huì)出現(xiàn)明顯的時(shí)延。比如在駕駛時(shí)，人類很容易就能夠通過觀察汽車、人行橫道與路標(biāo)，快速確定它們的通行順序與相對(duì)位置。而傳統(tǒng)的 人工智能算法卻需要在多個(gè)物體同時(shí)輸入系統(tǒng)之后去精煉它們的相關(guān)信息，才能做出判斷。這也是為什么自動(dòng)駕駛只能在訓(xùn)練場(chǎng)里徘徊，遲遲無法走入真實(shí)道路的重要原因之一。

雖然深度學(xué)習(xí)發(fā)展到現(xiàn)在，已經(jīng)借由許多其他技術(shù)的引入，改變和彌補(bǔ)了最初的一些不足，比如元學(xué)習(xí)的引入，讓機(jī)器學(xué)習(xí)開始擺脫對(duì)數(shù)據(jù)量的依賴；與強(qiáng)化學(xué)習(xí)相結(jié)合，能夠讓智能體在自我對(duì)抗中學(xué)習(xí)推理……但總體而言，人腦恰好就是那種非程序的智能，而機(jī)器學(xué)習(xí)注定不是“終極答案”。

所以，AI轉(zhuǎn)而尋找模擬大腦這個(gè)“真命天子”，也就順理成章了。

回心轉(zhuǎn)意，腦機(jī)合體：

AI能否實(shí)現(xiàn)極限操作？

事實(shí)上，近年來AI界已經(jīng)認(rèn)識(shí)到了人腦生物系統(tǒng)本身在處理信息上的優(yōu)越性，研究者們都在試圖復(fù)制這種模式，設(shè)計(jì)一個(gè)模仿大腦的神經(jīng)網(wǎng)絡(luò)。

比如韓國(guó)科學(xué)技術(shù)院的生物和大腦工程系李相完，就發(fā)表了“前頭葉控制”理論，即人腦可以自行評(píng)價(jià)對(duì)外部環(huán)境的認(rèn)知度，通過外部信號(hào)來處理信息。將該原理應(yīng)用于AI算法和機(jī)器人等領(lǐng)域，可以設(shè)計(jì)出能夠根據(jù)外部情況變化，在性能、效率、速度等各個(gè)方面自動(dòng)平衡到最佳狀態(tài)的智能系統(tǒng)。這一成果也被收錄在了機(jī)器人工學(xué)領(lǐng)域的國(guó)際學(xué)術(shù)雜志《科學(xué)》上。

最近，在《科學(xué)報(bào)告》雜志上的一篇文章中，以色列巴伊蘭大學(xué)的科學(xué)家也證明了，基于大腦動(dòng)力學(xué)（大腦計(jì)算速度比70年前的電腦還更慢）設(shè)計(jì)出的新型人工智能算法，性能遠(yuǎn)遠(yuǎn)超過了當(dāng)前最先進(jìn)的AI算法。

在研究中，科學(xué)家認(rèn)為神經(jīng)生物學(xué)和機(jī)器學(xué)習(xí)不應(yīng)該到現(xiàn)在還在獨(dú)立發(fā)展。甚至認(rèn)為“大腦因復(fù)雜規(guī)則學(xué)習(xí)而變慢，也可以是一種優(yōu)勢(shì)”。因?yàn)槿四X能夠在樹突（也就是每個(gè)神經(jīng)元的末端）進(jìn)行“元控制”，也就是在沒有明確學(xué)習(xí)步驟的情況下，根據(jù)異步輸入的信息快速完成自適應(yīng)。

這種沒有經(jīng)過學(xué)習(xí)的“學(xué)習(xí)”方式，以前往往被認(rèn)為是不重要的弱權(quán)重控制器，但在實(shí)驗(yàn)中，無論是小型和大型網(wǎng)絡(luò)，融合了大腦動(dòng)力學(xué)樹突式學(xué)習(xí)的系統(tǒng)，學(xué)習(xí)速度都快的驚人，這也為基于高速計(jì)算機(jī)的新人工智能出現(xiàn)提供了可能。

難怪研究人員不無期待地稱，人類對(duì)大腦基本原理的洞察必須再次成為未來人工智能的中心。谷歌的技術(shù)團(tuán)隊(duì)也認(rèn)為，觀察人類大腦能夠解決工程學(xué)無法解決的AI算法問題。

看來，這對(duì)CP的牽手只差一個(gè)產(chǎn)業(yè)端的集體“官宣”了。

在送出祝福之前，我們不妨來暢想一下，二者的結(jié)合可能打開哪些想象？

一個(gè)是如前面科學(xué)家們所說，為人工智能算法找到新的突破口，脫離“模擬程序智能”的桎梏；

而另一個(gè)機(jī)器人的智能也可以得到顯著提高?！岸嗳蝿?wù)訓(xùn)練”一直是當(dāng)下人工智能的突破難點(diǎn)，隨著模擬人腦的深入，既不用讓人類辛辛苦苦地對(duì)其進(jìn)行“毆打”，來訓(xùn)練其靈活處理信息的能力，避免了不少倫理難題；還有可能將人類智能導(dǎo)入機(jī)器，培養(yǎng)出能夠執(zhí)行復(fù)雜任務(wù)的“多功能”機(jī)器人。

或許也只有這樣，AI才能擁有一個(gè)真正智慧的“大腦”。不同道路在未來的交匯，將為AI的極限發(fā)揮埋下一個(gè)漂亮的引線。

來源：聯(lián)想創(chuàng)投