「如何智能」：由神经科学启发的人工智能

科学启发人工智能

赵思家 | 2017-08-24 11:04

【数据猿导读】机器和大脑有根本性的区别;机器的使命是解决一个问题，做到最好、最快、最省;大脑的使命是，在未出生之前，就用一个答案去面对无数未知的问题。前者关键在「答案」，后者关键在「问题」。

我一直觉得 David Marr 有点像是「神经科学里的图灵」。

1976年，Marr 提出了一个非常有名的概念：

了解任何复杂的生物系统都需要经过三层分析：

the computational level: 这个系统的目标是什么 (即，the goal of the system)

the algorithmic level: 实现这个目标所需的过程和计算 (即，the process and computations that realise this goal)

the implementation level: 在生物体内这套「算法」是如何实现的 (即，the precise mechanism by which the algorithm(s) are physically implemented in a biological substrate)

今天——特别是感觉人人都懂计算机的知乎上——这个概念极其容易理解。

但这并不是说「大脑就像是机器一样。」

机器和大脑有根本性的区别;机器的使命是解决一个问题，做到最好、最快、最省;大脑的使命是，在未出生之前，就用一个答案去面对无数未知的问题。前者关键在「答案」，后者关键在「问题」。

虽然「大脑的感知功能像是一个贝叶斯机器 (Bayesian machine)」这个概念因为 Karl Friston 的 Predictive Coding (预测编码)在大脑感知研究中称霸一方(我曾在《大脑无时无刻不在「预测」世界》中提到过业内 @Friston 过度的现象)。但这句话并不是说「大脑是机器」，而是指「在算法层(the algorithmic level)上，大脑的感知功能可能类似贝叶斯统计」。

虽然方向不同，但计算机学家和神经科学家走在同一条路上。

从某种程度来看，我们都在研究一个问题就是智能的感知和认知是如何工作的。只是，again，一个是有问题、需要找到答案;而另一个是已经有了「答案」，需要问正确的问题。

就现在看来，在找到那个问题和那个答案之前，我们都还有很长的路要走。如果超AI是AI的奇点，那它绝对不会在神经科学奇点带来之前，而遗憾的是，我们连神经科学的奇点到底是什么都不明确。

神经科学的发展离不开AI，AI的进步也离不开神经科学。

神经科学(或者是说「生物智能」或「大脑智能」)对于发展人工智能(以下简写为 AI)的好处有两大方面：

第一个方面，在「如何智能」上，神经科学已经有很多话可以说。换言之，神经科学可以为人工智能带来启示，带来全新的算法和结构，这些算法或结构可能独立于传统的、当下主流的、以数学逻辑为基础的方法，也有可能与之相辅相成。譬如说，人类大脑是如何学习理解新语言的当我们明白这个认知功能之后，就可以将算法移植到 AI 上，或是这套算法至少是解决AI语言理解的一个优秀的备选。

这个方面非常好理解，往早期一点讲，深度学习和强化学习就是两个很好的例子。但神经科学对AI的影响并没有、也不会、仅限于AI早期的发展。当下，神经科学在注意力、情节记忆、工作记忆和连续学习上的研究也对当下的AI研究有实际影响。

这部分详情可以参考 Demis Hassabis (Alpha狗的亲爹)在7月19日《神经元》上发的综述《由神经科学启发的人工智能(Neuroscience-Inspired Artificial Intelligence)》;如果大家感兴趣，我可以慢慢把这篇综述的内容整理到专栏上来，但其实这篇综述虽其内容极为充实，但调理清晰语言易懂，若非语言障碍，并不需要旁人整理，直接阅读也不应该有任何问题，裂墙推荐。

上个月有不少技术类媒体报道这篇综述，但总觉得口吻怪米怪眼的。我还发现，新浪新闻将相关文章(题目：《只有了解大脑才能开发更强AI》)放在「体育–>棋牌」这个类别之下。额，alpha狗是下围棋的但并不是AI只做棋牌生意啊。

人工智能被炒到神乎其神，Hassabis这个神人脱不开关系。大多数人想到Hassabis，第一个反应估计是他是个人工智能专家、计算机学家，但别忘了，他博士是认知神经科学，主要研究记忆和想象，还把论文发在Science，是当年的全球最有影响力的10大研究之一。

最近谷歌在伦敦招认知神经科学博士，工资高的发指。剑桥和UCL作为Hassabis的母校，搞人工智能和认知神经科学的都被他挖的千疮百孔了。(快让我也成为其中一个疮一个孔吧!)

咳咳。

第二个方面，在「如何智能」这个问题上，大脑是一个已知的高分答案。对于已有的AI技术，如果我们能在大脑中找到类似的结构、算法，那么便能够认可这个技术在修建「通用人工智能系统」中的一席之位。

这么讲像是说，神经科学可以给某些杰出的人工智能算法或结构颁发「大脑认可」的认证书一般。那这个认证有多大实际价值呢一定有什么能够超越我们自己拥有的智能;大脑一定不会是智能的唯一、最佳答案。

但是，「通用人工智能」(简称「强AI」，或我们可以亲切地称它为阿强)应该需要首先达到人类大脑的水平。(如果你不认识阿强，可以参考一下今天我发的另一篇《致快要被AI狂潮淹没、却不知道自己在说什么的我：什么是「技术奇点」》)

在离完成强AI还有一定距离的当下，学界需要一个长期研究计划，如何筛选研究方向则是一个复杂的问题。现在有很多算法和结构，它们都有可能是强AI的prototype的零件。如果一个算法，虽然它在现阶段并不是最优的，但如果我们发现在大脑这个寸土寸金的地方它都有核心位置，那么说明它至少本质上有适合强AI的地方(这么说有点怪怪的)，优先优化它、深入了解它，会是个减少绕弯路的策略。

当然，强AI并不一定需要拥有和生物体一样的智能系统。条条大路通罗马。但，大脑是一个很好的向导。说回片头提到的，Marr 的「了解系统运作的三步骤」。对于人工智能来说，需要的是前两层，即，这个(大脑认知功能)的目标是什么算法是什么 (在研究大多数认知功能的领域中，我们还正在挣扎进入第二层)

再说回关于大脑和机器之间的联系。虽然我坚信大脑与机器不同，但从一开始学习神经科学，我就越来越觉得难以回答这个问题：

生命是什么生命与非生命之间，是什么

智能是什么会开车就是智能么

如何智能大脑智能和人工智能最后只有高低和材质的区别吗

来源：36大数据

收藏分享

声明：数据猿尊重媒体行业规范，相关内容都会注明来源与作者；转载我们原创内容时，也请务必注明“来源：数据猿”与作者名称，否则将会受到数据猿追责。