兩項分別由英國人工智能實驗室DeepMind與由德國和希臘的研究人員進行的研究顯示了AI與神經網絡科學之間有著令人著迷的關系。

就像大多數(shù)科學家說的那樣，我們距開發(fā)能夠像人類一樣有效地解決問題的人工智能還差幾十年。在創(chuàng)造通用AI的道路上，人腦（可以說是最復雜的自然創(chuàng)造）是我們掌握的最佳指南。

神經科學對神經系統(tǒng)的研究，為大腦如何工作提供了有趣的見解，大腦是開發(fā)更好的AI系統(tǒng)的關鍵組成部分。相應地，更好的AI系統(tǒng)的開發(fā)可以幫助推動神經科學向前發(fā)展，并進一步釋放大腦的秘密。

例如，卷積神經網絡（CNN）是人工智能最新進展的關鍵貢獻者之一，它很大程度上受到視覺皮層神經科學研究的啟發(fā)。另一方面，神經科學家利用AI算法研究來自大腦的數(shù)百萬個信號，并找出可能消失的模式。這兩個領域密切相關，它們的協(xié)同作用產生了非常有趣的結果。

神經科學領域的最新發(fā)現(xiàn)表明，我們在AI方面正在做的正確的事情，以及我們做錯了什么。

DeepMind的AI研究顯示多巴胺與強化學習之間的聯(lián)系

DeepMind的研究人員最近進行的一項研究證明，人工智能研究（至少是其中的一部分）正朝著正確的方向發(fā)展。

感謝神經科學，我們知道人類和動物學習的基本機制之一就是獎懲。積極的結果會鼓勵我們重復某些任務（做運動，學習考試等），而消極的結果會阻止我們重復犯錯（觸摸火爐）。

俄羅斯生理學家伊凡·帕夫洛夫（Ivan Pavlov）的實驗最為人所知，這種獎罰機制是訓練狗在聽到鈴鐺時會期待食物。我們還知道，多巴胺是中腦產生的一種神經遞質，在調節(jié)大腦的獎勵功能中起著重要作用。

強化學習(RL)是人工智能研究中最熱門的領域之一，它是根據大腦的獎賞/懲罰機制而大致形成的。在RL中，設置了AI代理來探索問題空間并嘗試不同的操作。對于其執(zhí)行的每個動作，代理都會收到數(shù)字獎勵或懲罰。通過大量的試驗和錯誤，并檢查其操作的結果，AI代理開發(fā)了一種數(shù)學模型，該模型經過了優(yōu)化，可以最大程度地提高獎勵并避免懲罰。

最近，AI研究人員一直致力于分布增強學習以創(chuàng)建更好的模型。分布式RL的基本思想是使用多種因素以一系列樂觀和悲觀的方式預測獎懲。分布強化學習對于創(chuàng)建對環(huán)境變化更具彈性的AI代理至關重要。

這項新的研究是由哈佛大學和DeepMind共同完成的，并于上周在《自然》雜志 上發(fā)表。該研究發(fā)現(xiàn)，小鼠大腦的特性與分布強化學習的特性非常相似。AI研究人員測量了大腦中的多巴胺激發(fā)率，以檢查生物神經元的獎勵預測率的差異。

有趣的是，在小鼠的神經系統(tǒng)中發(fā)現(xiàn)了AI科學家在分布式強化學習模型中編程的樂觀和悲觀機制。DeepMind的研究人員在AI實驗室網站上發(fā)布的博客文章中寫道：“總而言之，我們發(fā)現(xiàn)大腦中的多巴胺神經元每個都被調到了不同的悲觀或樂觀水平?！霸谌斯娀瘜W習系統(tǒng)中，這種多樣化的調整會產生更豐富的訓練信號，從而極大地加快了神經網絡的學習速度，我們推測大腦可能出于相同的原因使用它?！?

使這項發(fā)現(xiàn)與眾不同的是，盡管AI研究通常從神經科學發(fā)現(xiàn)中汲取靈感，但在這種情況下，神經科學研究已經驗證了AI發(fā)現(xiàn)。研究人員寫道：“它使我們對AI研究走上正軌的信心增強，因為該算法已被我們所知道的最智能的實體：大腦使用?！?

這也將為神經科學的進一步研究打下基礎，這反過來將有利于AI領域發(fā)展。

神經元并不像我們想象的那樣愚蠢

盡管DeepMind的新發(fā)現(xiàn)證實了AI強化學習研究的成果，但柏林科學家的另一項研究卻于1月初發(fā)表在《科學》雜志上，這證明我們對大腦所做的一些基本假設是完全錯誤的。

關于大腦結構的普遍信念是，神經元是神經系統(tǒng)的基本組成部分，它們是簡單的積分器，用于計算其輸入的加權總和。基于這種理念，設計了一種流行的機器學習算法類型：人工神經網絡。

單獨地，人工神經元執(zhí)行非常簡單的操作。它需要幾個輸入，將它們乘以預定義的權重，求和后再通過激活函數(shù)運行它們。但是，當多層連接成千上萬（十億）個人工神經元時，您將獲得一個非常靈活的數(shù)學函數(shù)，可以解決復雜的問題，例如檢測圖像中的對象或記錄語音。

人工神經元的多層網絡（通常稱為深度神經網絡）是過去十年中深度學習革命背后的主要動力。

但是，對生物神經元是基本數(shù)學的“愚蠢”計算器的普遍認識過于簡單。德國研究人員的最新發(fā)現(xiàn)后來被希臘的神經科學家證實，證明了單個神經元可以執(zhí)行XOR運算，這一前提遭到了AI先驅者如Marvin Minsky和Seymour Papert的拒絕。

盡管并非所有神經元都具有這種能力，但這一發(fā)現(xiàn)的意義是重大的。例如，這可能意味著單個神經元可能在其內部包含一個深層網絡。賓夕法尼亞大學的計算神經科學家康拉德·科爾?。↘onrad Kording）并未參與這項研究，他對《廣達雜志》（Quanta Magazine）表示，這一發(fā)現(xiàn)可能意味著“單個神經元可能能夠計算出真正復雜的功能。例如，它本身可能就能識別出一個物體?！?

這對人工智能研究意味著什么？至少，這意味著我們需要重新考慮我們對神經元的建模。它可能會刺激對具有不同類型神經元的新型人工神經元結構和網絡的研究。也許它可以幫助我們擺脫必須構建超大型神經網絡和數(shù)據集來解決非常簡單的問題的陷阱。

外語原文鏈接： https://bdtechtalks.com/2020/01/20/neuroscience-artificial-intelligence-synergies/