通往強人工智能，少不了的模擬大腦

原標題：通往強人工智能，少不了的模擬大腦

人工智能這個詞，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，在新罕布什爾州達特茅斯學院的一次小型會議上，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器來對它進行模擬”。

當代也有不少科學家堅信，觀察研究人類大腦，可以輕松解決新一代人工智能的設計問題。2013年，歐盟牽頭、26個國家135個合作機構(gòu)參與的“人類腦計劃”（Human Brain Project，簡稱HBP）也將重點放在了，如何通過超級計算機技術來模擬人腦功能，以期實現(xiàn)人工智能。

聽起來，模擬人腦的思維路徑，在此基礎上進行推理運算，得到新的知識、判斷，似乎是AI從誕生到進化的必由之路。

然而，遠有日本雄心勃勃打造的能像人一樣推理的“第五代計算機”宣告破產(chǎn)，近有耗時10年、燒光10億歐元試圖模擬大腦的“藍腦計劃”（Blue Brain Project）徹底涼涼，連一個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，雖然都是對大腦智能的“模擬”，但不同人工智能學派的理念卻各不一樣。

符號主義學派主張模擬人腦的邏輯思維。先把問題或知識表示為某種邏輯結(jié)構(gòu)，運用符號演算，從而實現(xiàn)表示、推理和學習等功能，典型代表就是專家系統(tǒng)。

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

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

當然也有像瑞士神經(jīng)科學家Henry Markram主導的“藍腦計劃”一樣，試圖用計算機創(chuàng)建復雜的數(shù)學模型，用來模擬人腦的86億個神經(jīng)元和100萬億的突觸，以幫助研發(fā)出更智能的機器人。

在當時來看，所有模擬理論或多或少都有一些問題。比如符號主義很難說清楚，數(shù)字模型與人類心理相似性上的關聯(lián)；聯(lián)結(jié)主義智能粗略地模擬神經(jīng)系統(tǒng)，如果訓練多層網(wǎng)絡使用的路徑，就很難找到與之對應的生物學知識和匹配的硬件。行為主義只能實現(xiàn)低層智能，比如讓機器蟲爬來爬去，而復刻一個數(shù)字化大腦就更不現(xiàn)實了，因為想要從細胞層面構(gòu)建人腦模型、模擬860億個神經(jīng)元的運作與相互關聯(lián)，以今天的腦科學水平注定只是白花錢。

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

而時代的幸運兒就是深度學習。模擬人腦神經(jīng)網(wǎng)絡工作機制的深度學習方法，乘著互聯(lián)網(wǎng)的東風直上青云，成為最適合將智能程序與算法下沉到社會機器上的核心技術。

在感知層面，利用現(xiàn)代計算機算力的提升，以及網(wǎng)絡數(shù)據(jù)量的暴漲，讓深度學習通過大規(guī)模數(shù)據(jù)集與訓練來獲得數(shù)據(jù)模型成為了可能。

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

另一個能力則是生成。也就是通過訓練好的模型，產(chǎn)生處符合該模型描述的數(shù)據(jù)。比如風靡一時的AI換臉，越來越機靈的智能語音助手，自動編寫新聞的機器人等等。

得益于這種在應用場景上快速打開商業(yè)想象力的優(yōu)勢，我們今天提到AI，絕大多數(shù)人的第一反應，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，再讓以深度學習及衍生技術為基石的AI反哺千行萬業(yè)，為社會生活提質(zhì)增效。

既然如此，為什么科學家們還是對模擬人腦的方案念念不忘呢？這恐怕要從“賽爾的中國屋”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？

哲學家賽爾，曾經(jīng)用這樣一個例子，來表達他對模擬程序的“機器智能”并不認可。

他想象自己在一個屋子里，有人會從窗口傳遞給他一個用中文書寫的問題，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。書中會告訴他復雜的規(guī)則，教他操作“無意義”的漢字符號，并將之變成答案。經(jīng)過了充分的練習之后，賽爾就可以熟練地用中文輸出答案了，乍一看，似乎和地道的中國人沒什么兩樣。

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

這與深度學習的邏輯有著異曲同工之處。某種程度上，也反映了當前智能的技術實現(xiàn)路徑，所具有的局限：

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

再比如學習效率上，人類大腦也與機器智能大相徑庭。谷歌的機器識別算法，在無監(jiān)督的情況下自動學習識別“貓”的視覺圖像，需要1 000臺計算機聯(lián)網(wǎng)合作。然而一個人類小孩在幼兒園玩玩具的功夫就能辦到。機器如果真的有思維，恐怕早就變成檸檬精了。

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

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

所以，AI轉(zhuǎn)而尋找模擬大腦這個“真命天子”，也就順理成章了。

回心轉(zhuǎn)意，腦機合體：AI能否實現(xiàn)極限操作？

事實上，近年來AI界已經(jīng)認識到了人腦生物系統(tǒng)本身在處理信息上的優(yōu)越性，研究者們都在試圖復制這種模式，設計一個模仿大腦的神經(jīng)網(wǎng)絡。

比如韓國科學技術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，即人腦可以自行評價對外部環(huán)境的認知度，通過外部信號來處理信息。將該原理應用于AI算法和機器人等領域，可以設計出能夠根據(jù)外部情況變化，在性能、效率、速度等各個方面自動平衡到最佳狀態(tài)的智能系統(tǒng)。這一成果也被收錄在了機器人工學領域的國際學術雜志《科學》上。

最近，在《科學報告》雜志上的一篇文章中，以色列巴伊蘭大學的科學家也證明了，基于大腦動力學（大腦計算速度比70年前的電腦還更慢）設計出的新型人工智能算法，性能遠遠超過了當前最先進的AI算法。

在研究中，科學家認為神經(jīng)生物學和機器學習不應該到現(xiàn)在還在獨立發(fā)展。甚至認為“大腦因復雜規(guī)則學習而變慢，也可以是一種優(yōu)勢”。因為人腦能夠在樹突（也就是每個神經(jīng)元的末端）進行“元控制”，也就是在沒有明確學習步驟的情況下，根據(jù)異步輸入的信息快速完成自適應。

這種沒有經(jīng)過學習的“學習”方式，以前往往被認為是不重要的弱權重控制器，但在實驗中，無論是小型和大型網(wǎng)絡，融合了大腦動力學樹突式學習的系統(tǒng)，學習速度都快的驚人，這也為基于高速計算機的新人工智能出現(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。谷歌的技術團隊也認為，觀察人類大腦能夠解決工程學無法解決的AI算法問題。

看來，這對CP的牽手只差一個產(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？

一個是如前面科學家們所說，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；

而另一個機器人的智能也可以得到顯著提高?！岸嗳蝿沼柧殹币恢笔钱斚氯斯ぶ悄艿耐黄齐y點，隨著模擬人腦的深入，既不用讓人類辛辛苦苦地對其進行“毆打”，來訓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入機器，培養(yǎng)出能夠執(zhí)行復雜任務的“多功能”機器人。

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

生成海報

免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關資料所引致的錯誤、不確或遺漏，概不負任何法律責任。任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權或存在不實內(nèi)容時，應及時向本網(wǎng)站提出書面權利通知或不實情況說明，并提供身份證明、權屬證明及詳細侵權或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關文章源頭核實，溝通刪除相關內(nèi)容或斷開相關鏈接。