Auto Byte

专注未来出行及智能汽车科技

微信扫一扫获取更多资讯

Science AI

关注人工智能与其他前沿技术、基础学科的交叉研究与融合发展

微信扫一扫获取更多资讯

人脑是机器智能好的模型吗?

在人工智能鼻祖艾伦图灵的百年诞辰之际,四位人工智能领域顶尖科学家和企业家在Nature上撰文,探讨神经科学与人工智能研究之间的巨大鸿沟。

避免人脑研究的盲区

RODNEY BROOKS Emeritus professor of robotics, Massachusetts Institute of Technology

640.jpg

当前的人工智能研究正陷入了一个死胡同,我们尝试着用计算机和人脑来模拟和理解彼此,但这样一种根深蒂固的思维方式让我们很难对智能和认知产生更加深刻的见解,进而产生新的认知和智能模型。

阿兰·图灵1936年的那篇文章奠定了人工智能和计算科学的基石,在他的这篇文章里面,图灵将人作为计算模型的模拟对象和灵感来源。通过将人用铅笔进行数字演算的过程进行进一步抽象和符号化,图灵研发出了世界上第一台利用穿孔纸带完成自动计算的机器。

虽然这种机器抽象化地模拟了人脑的运算过程,但是由于是基于整数进行的计算,它的计算功能其实是十分局限的,也完全不同于生物系统的计算模式。和计算机不同的是,生物系统长期接受来自外界环境的刺激,与此同时,生物体本身也会通过自己的行为来改变了外界环境。例如,一些群居性昆虫的行为受到了其巢穴形状及其后代的行为影响。

尽管如此,在过去的七十年里面,计算神经学领域的研究者们还是坚信人脑本质就是一种计算机,它的运行模式和图灵提出来的基于穿孔纸带和有限符号集的状态机是完全等同的。

1943年,Warren McCulloch和Walter Pitts指出生物神经元放电过程中的电位变换过程可以通过数字逻辑来进行建模。基于上述理论,他们进而利用一些逻辑门电路来模拟神经网络中的神经元,并验证了这些数字式神经元能完成图灵计算机所能完成的所有计算。后来的研究进一步发现,这些近似的神经网络模型可以完成对更加复杂层次的生物计算的模拟。

基于上述研究成果,在之后的几十年里面,神经网络的研究以及计算神经学得到了蓬勃发展。而且这样的简化模型和类比如今已经被广泛应用于对人脑运行模式的解释之中,尽管这种近似的二进制抽象模型无法完全描述人脑的复杂性。

如今,当我们尝试着让机器更加智能,但我们对于人脑的描述和研究更多是基于机器计算和运行模式。当我们愈加将人脑作为机器智能的来源的时候,这么一种对人脑的简化描述模式显然是不够。

对人脑的算法进行建模

DEMIS HASSABIS Neuroscientist, computer-game producer and chess master, University College London

640.webp (1)

编者注: DEMIS HASSABIS创建了Deepmind,后来被Google收购,DEMIS HASSABIS因此也成为了Google的一员。

阿兰·图灵将人脑作为人工智能的原型。如果他现在还活着,他也一定会选择从事自然智能和人工智能方面的的交叉学科研究。到目前为止(编者注:这篇文章发表在 2012,当时深度学习还未兴起),很多人工智能(AI)研究人员并没有认识到将人脑作为机器算法来源的重要性。在图灵的时代,当时的人们缺乏必要的手段来彻底研究人脑——这一生物史上最复杂、最神秘的黑盒子。如今的我们则有了更加强大的工具来做到这一点,比如核磁共振成像技术还有光谱基因学等等。

神经科学对于人工智能进步有两方面重大的贡献。一方面,很多在人脑中发现的生理结构,比如在导航中的借鉴到的网格细胞以及视觉图像处理中的分级细胞能够激发出新的算法和结构。另外一方面,神经科学家的发现能够验证当前提出的一些机器学习算法在一个完整AI系统中整合的合理性。

因此,当我们想推动人工智能的发展的时候,就需要从算法的层次来进一步了解人脑的工作原理,了解它是如何来描述和定义我们所认知的世界。举例来说,当我们知道概念是基于人的感官信息产生的时候,我们就认识到了人工智能语言中的符号的意义同样需要基于现实中传感数据来描述。

虽然人工智能的研究者不需要时刻了解在当前脑科学的发展,但是他们至少应当通过实验来了解和验证其中的一些核心问题,这其中包括诸如“概念和知识是如何获取的?”等一系列问题。 另外一方面,从神经科学的发展角度来看,将智能引入到算法的架构之中也许将有助于解开一系列许久以来困惑我们的谜团,比如意识和梦的产生等等。

对人脑的模仿需要细胞

DENNIS BRAY Department of Physiology, Development and Neuroscience, University of Cambridge

640.webp (2)

虽然机器在很多方面可以和人进行类比,但是不可否认的是,它和人的基本构造单元以及结构是完全不同。如果我们的目标是制造出更加智能的机器,我们也许应该使用硅或者铜作为原材料。但是如果我们的目标是制造出一个和我们人脑一样复杂的智能系统,我们也许应该考虑采用不同的材料和设计方法。

计算机在复杂数学运算以及存储和读取速度上面早已经超过了人脑。如今我们已经理所当然地认为计算机能在国际象棋上面轻易击败人类选手,尽管在很早以前,象棋被认为是代表人类最高智慧的一项运动。

2011年,当IBM的Watson电脑在Jerpardy节目上击败人类选手的时候,人类对电脑自以为是的优越性被彻底终结。尽管Jerpody中的问题十分口语化,还引入了大量的双关和幽默,Watson还是在回答问题中毫无悬念地击败了两个人类选手。如果阿兰图灵现在还活着,他也一定会为Watson的表现所震惊。

Watson也许就是图灵关于文化认知是一系列逻辑状态构成的最新论证。然而,不可否认的是,Watson内在的工作原理却并不是基于人类的人脑。虽然Jerpody中任务和人脑的职能高度关联,但是这些软件工程师在设计Watson的时候并不知道也不关心所谓的解刨学和生理学。

即便是他们用到的一系列机器学习方法,如神经网络、遗传算法、元胞自动机的灵感都是来自人脑。 1944年, 阿兰图灵试图利用机器构建除人类的人脑。在此之后,无数的数据科学家和人工智能科学家为了这个梦想矢志不渝地努力。尽管现在大部分神经学家认为将有上百种蛋白质组成的、具有异常复杂结构的诸如突触的人脑结构用若干行代码来表示是很幼稚的。

不得不说都是,直到现在为止,我们对于人脑真正的结构和工作原理并不是十分清楚,更别说复制它了。人脑是独一无二的,它引导我们去认知了解世界,指示我们每天执行各式各样复杂的功能。同时,人脑也是我们情感、灵感、创意、意识的来源。而如今的机器智能是显然无法产生这些特征,因此我们更应该思考当我们在设计机器的大脑—微处理器的时候遗漏了什么重要的东西。

另一方面,人脑在很多方面和机器有着显著的不同,它是周期性运作、双向传输和发送信号。与其相反,电脑则是按照因果关系的线性链原则来运作。其次,和机器的软件硬件分离不同,人的思维和人脑则是以一个完全不可分割的整体存在。另外,从化学组成来说,构成人脑的脑细胞不仅能够处理传感信息,也可以产生细微的化学变化。

同时,脑细胞是柔软的,具有很好的延展性的,并由无数的大分子构成。这一点也和芯片的构成完全不同。生物体可以利用不同的细胞状态来记忆和编码信息,进而产生了趋利行为和自我意识。也许,如果机器的基本单元也是类似这些细胞的单元,由它构成的电脑将更加像我们人类,进而产生更加类似人脑的智能。

速度将导致电脑最终超越人脑

AMNON SHASHUA Sachs Professor of Computer Science, Hebrew University of Jerusalem, and co-founder and chairman of Mobileye

640.webp (3)

计算机科学家Alan Kay在1980年曾经说过这么一句话:“如果你很在意自己的软件,那么你就应该定制属于自己的硬件。” 在计算科学中,程序软体和计算载体应当互相促进配合,这一点已经成为了信息处理、图像渲染、游戏、视频压缩、视频流算法的常识。我相信这一点同样也适用于人脑,也就是说因为人脑构成的不同,其产生智能的方式应该完全不同于机器。

人脑和机器最大的区别在于存量和处理速度。在计算机中,等同于人类记忆单元的是计算机硬盘,到目前为止,我们已经有了似乎能够存储无限数据的硬盘。如果是瞬时信息,计算机则将其存储在随机存取存储器(RAM)之中,RAM存储数据的速度和功能远远强于人脑。

基于机器的这种优势,我们有理由相信,这种量变上的优势将随着更加优化的智能算法的出现而出现质变(编者注:实际上深度学习的兴起就是这一观点的佐证)。其次,智能往往体现在学习能力上面。机器学习科学家通常利用统计学习的方法来训练一个学习模型,而这一基于概率的推理过程往往需要大量的训练数据和大量的存储空间。当前流行的机器学习算法也和人脑的工作模式完全不一样。

比如,IBM的电脑Watson需要T(terabyte)级别的相关数据来进行训练才能够在Jerpody中击败人类选手。Volvo的行人检测系统则需要学习成百上万张图片才能够训练出检测行人的模型。如果上述任务由人脑来完成,它并不像机器那样对数据这么依赖。 至于处理速度上,人脑最多能够达到 10-50次方浮点运算,这基本上等价于几十万个酷睿i7处理器一起运行的结果。然而,人脑信号在传输速度上远远落后于计算机。传输速度上巨大的差异导致了人脑和计算机完全不同的结构。

人脑通过分级并行结构来弥补其传输速度慢的劣势,这牵涉了大量不同层次的运算。相比而言,机器的计算结构则相对扁平化,但因为其时钟频率更快,因此也更加适合实施一些蛮力破解的算法。正是因为这样,机器比人脑更加适合一些规则性强、可以枚举的任务,比如国际象棋。 对于人脑的认知过程进行算法角度的分析和模仿有助于推动人工智能的飞跃。与此同时,我们同时也要意识到电脑和人脑在结构上的巨大差异,因此其实现智能的最终策略也应该有所不能,比如我们应该好好利用电脑近似无限的存储容量以及快速计算的能力。  

入门人工智能机器人
暂无评论
暂无评论~