独家｜AI与神经科学是怎样互促互进的？

原文标题：AI and Neuroscience: A virtuous circle

作者：Christopher Summerfield; Matt Botvinick; Demis Hassabis

翻译：孙涛

术语校对：梁傅淇

全文校对：吕艳芹

本文长度为3110字，建议阅读4分钟

促进人工智能发展的另外一个因素往往被人们忽略，即经验以及神经科学为人工智能的发展提供了灵感的源泉。本文为你详解二者之间互促互进的关系。

最近，人工智能领域进展显著。在 Atari video games（https://deepmind.com/research/dqn/）、ancient board game Go（https://deepmind.com/research/alphago/）和 high-stakes matches of heads-up poker（http://science.sciencemag.org/content/356/6337/508）游戏中，人工智能系统已表现出非凡的能力，这种能力胜于人类高级玩家。人工智能产品可以模仿人类的手写体笔迹以及在语音识别方面（https://deepmind.com/blog/wavenet-generative-model-raw-audio/）提供语言翻译服务，还可以将普通的图片以不同的画风展现。例如，人工智能能将人类度假的快照美化成梵高式的画作风格（https://deepart.io/）。

以上所述的进步归功于诸多因素，其中包含了统计方法的运用和计算机性能的普遍提升。以神经科学顶级期刊《神经元》中的有关文章来看（http://www.cell.com/neuron/fulltext/S0896-6273(17)30509-3），促进人工智能发展的另外一个因素往往被人们忽略，即经验以及神经科学为人工智能的发展提供了灵感的源泉。

心理学和神经科学在人工智能的发展中起到举足轻重的作用。人工智能的奠基人DonaldHebb（https://en.wikipedia.org/wiki/Donald_O._Hebb）、Warren McCulloch（https://en.wikipedia.org/wiki/Warren_Sturgis_McCulloch）、Marvin Minsky（https://en.wikipedia.org/wiki/Marvin_Minsky）和Geoff Hinton（https://en.wikipedia.org/wiki/Geoffrey_Hinton）最初的研究动力源自对他们大脑工作机理的浓厚兴趣。事实上，在上个世纪下半叶，与神经网络有关的关键性工作已经兴起，只不过这些工作主要在心理学和神经生理学院开展，并非在如今的数学或物理实验室进行。

当今，神经科学和人工智能相互融合，相互促进比以往任何时候都要紧迫，这也将成为人工智能和神经科学接下来发展的总体趋势。

从深度学习的立场来看，尽管人工智能和神经科学两大领域已取得快速进展，但研究者们仍然任重而道远，眼光不能仅仅局限于此。要知道，人工智能算法的多数灵感来源于神经科学，神经科学中相关问题的解决也需要依靠人工智能。比如，数据处理方面。如果两大领域的研究者们有共通的语言，他们交流不再有障碍，即消除两个领域上的“语言”隔阂，可以有效推动两个领域快速发展。

人工智能的研究者们从神经科学汲取灵感主要有下面两个方面的原因：第一，神经科学领域有评估现存的人工智能技术的指标。简单来说，如果我们发现自己的人工算法模拟功能类似大脑功能的时候，这就意味着我们的研究方向基本上是准确的。第二，神经科学能够提供丰富的算法思想和算法架构体系，这对构建新的人工大脑很有吸引力。传统的人工智能方法主要是建立在逻辑方法和理论数学模型层面上的，很少考虑神经领域方面的成果。但要知道，神经科学中的认知功能同样可以解决分类问题，从而对传统人工智能方法做出补充。

最近神经科学领域的一项开创性发现：生物在睡眠或安静状态下，大脑状态会在一段时间内“重演”其上次活跃状态（http://www.sciencedirect.com/science/article/pii/S0166223610000172?via%3Dihub）。例如，当老鼠在迷宫里穿梭时，有关定位的神经细胞会被激活。当老鼠安静时，之前被激活的神经细胞继续保持激活状态。仿佛老鼠在重新分析之前的行动方案，以此来为接下来的行动服务。事实上，当执行同样的任务时，中间的停顿会降低执行效率。

“重演”功能是DQN网络关键的元素，DQN网络会根据环境变化持续调整自己的行为，实现通用功能。

乍看上去，制造一个会睡眠的机器人有悖常理。人们通常会想，作为机器，最为关键的是它们不会感觉疲劳，它们会不停地执行计算任务，直到程序运行完毕为止。但深度Q网络DQN（https://deepmind.com/research/dqn/）却打破这一常规思维，DQN算法学习Atari的2600款游戏，可以达到超人的水平，该算法训练仅需要输入图像的像素和对应分数即可。DQN会“经历重现”这一过程，类似于大脑。主要操作是存储一部分训练数据，在“离线”状态下对这部分数据继续训练，使得该网络能从之前训练成功或失败的结果中继续学习。

DQN网络的成功会增强我们对神经科学和人工智能关系的认知，神经科学能为人工智能带来解决问题的新思路和方法。展望未来，我们相信神经科学能够为我们解决一些难解的问题，这些问题包含高效学习、解释物理规律和人的想象机制等。

想象能力（https://www.ncbi.nlm.nih.gov/pubmed/19528007）对人类，对动物来说是一项至关重要的功能，这种功能使得人类能够未雨绸缪，采取计划和评估未来的行动。比如人们会提前计划度假。正是想象，人类能够对真实的物理世界建模，使用建立的模型预估事情未来的发展状况。在夏天，人类也能够预知该带什么类型的衣物。人类神经科学的前沿方向是揭示想象背后的复杂机理，这些概念都已经和人工模型联系上了。

神经科学领域和人工智能领域有长期的和相互交织的历史

人工智能研究的另外一个方向是迁移学习。顾名思义，这种算法有极强的环境适应能力，将一种场景迁移到另外新的场景中去。人工智能产品也需要这种能力，将已经掌握的知识对未知的问题作出有价值的决策。这对人类来说是非常娴熟的，比如汽车司机能应对道路堵塞等问题，程序员能在不同的操作系统下使用电脑或会议主持人能处理会上的突发情况等等。

研究人员首先要解决的问题是如何使人工智能拥有类似“想象”这种能力。例如，一种新的网络架构“逐级前进网络”（https://arxiv.org/abs/1606.04671）可以将学习的视频游戏用在其他方面。该种网络架构还可以将模拟的机械臂迁移到现实世界中，大大减少训练的时间。有趣的是，这些网络和人类学习的顺序有相似之处，也是由简到繁（http://science.sciencemag.org/content/344/6191/1481.long）。这条链接阐述了未来人工智能研究可能会学习神经科学的研究成果。

知识在交互过程中并不是单向流动的。神经科学领域也可以借鉴人工智能领域的研究成果，提升自己。例如强化学习（强化学习是当今人工智能领域主要的研究方法），尽管强化学习方法最初来源于心理学上有关动物的研究理论，后来却由机器学习研究者们发展和用算法实现的。机器学习领域的发展也会反哺神经科学领域。例如，帮助神经科学家们理解神经生理学现象。比如哺乳动物基底神经节受多巴胺激发的特性（http://science.sciencemag.org/content/275/5306/1593.long）。

在生物和计算机两大领域持续交流下，两大领域彼此相互借鉴、相互促进，构成良性循环。例如人工智能研究者们从神经科学领域中获取灵感，构建新模型，而神经科学家也从机器人行为上更好地了解生物大脑的作用机理。事实上，最近的进展，有助于加快两大领域的循环流动。比如光遗传学要求研究人员精密测量和操控大脑活动，获取的大量数据可以用机器学习的方法来分析。

因此，我们相信最关键的是人工智能研究者们能从人类大脑运作机理中获取灵感，付诸于具体的算法实现，并将算法实现结果与人类大脑运作结果比较分析，进一步优化算法。在人工智能方面，这会激发研究者们对研究人工智能的兴趣（我们希望发现新的知识，推动新的科学发现（https://www.ft.com/content/048f418c-2487-11e7-a34a-538b4cb30025））。在神经科学方面，生物科学家们又能更好地了解我们大脑的工作机理。这种运作模式可能会解决神经科学领域长时间困扰人们的谜团。比如让研究者们了解创造力、梦是什么，甚至有一天会引导他们了解人类的意识。正因为如此，神经科学和人工智能联手的需求比过去更紧迫。

原文链接：

https://deepmind.com/blog/ai-and-neuroscience-virtuous-circle/

更多精彩内容请关注清华-青岛数据科学研究院微信官方公众平台