观点 | DeepMind：把人工智能和神经科学结合起来，实现良性循环

2017-08-03 10:41 来源:机器之心 神经科学 /人工智能 /人类

原标题：观点 | DeepMind：把人工智能和神经科学结合起来，实现良性循环

选自DeepMind

作者：Christopher Summerfield等

参与：Nurhachu Null、路雪

人工智能发展早期的许多启发来自于神经科学，神经科学也从人工智能研究者的理论和模型中受益良多。将二者结合起来，互相学习，互相汲取灵感，形成良性循环，或对二者的持续发展产生积极影响。

人工智能的最新进展引人注目。人工系统在 Atari 视频游戏、古老的棋类游戏围棋以及扑克游戏中已经优于人类专业玩家。它们还可以生成与人类无差别的笔迹和语音、在多种语言之间翻译，甚至将你的假期照片用梵高的风格进行风格重塑。

这些进步可以归结为几个因素，包括新型统计方法的使用和计算机计算能力的增长。但是我们最近在 Neuron 杂志发表的观点认为，有一个因素经常被忽视，即实验神经科学和理论神经科学的贡献。

心理学和神经科学在人工智能的发展史上起着关键作用。人工智能的奠基人物诸如 Donald Hebb、Warren McCulloch、Marvin Minsky 以及 Geoff Hinton，最初都是被想要理解人脑工作原理的愿望所激励。事实上，在整个 20 世纪末期，大部分开发神经网络的关键工作并没有发生在数学或者物理实验室，而是在心理学和神经生理学系。

正因为如此重要，将神经科学领域和人工智能领域结合起来的需求比以往任何时候都更加迫切。

在 DeepMind，我们认为，尽管这两个领域都得到了快速发展，但是研究人员不应该忽视这个观点。我们督促神经科学和人工智能领域的研究者们去寻求一种能够让知识自由流动的共同语言，让知识的自由流动来推动这两个领域持续向前发展。

对人工智能研究来说，从神经科学汲取灵感是非常重要的，我们认为有两个原因：第一，神经科学能够帮助验证已经存在的人工智能技术。简而言之，如果我们发现我们的一种人造算法能够模仿人脑中的某个功能，这表明我们的方法或许在正确的方向上了。第二，在构建人造大脑的时候，神经科学可以为新型的算法和结构提供丰富的灵感来源。历史上，传统的人工智能方法都是由基于逻辑的方法和基于理论数学的模型所主导。我们认为神经科学可以通过识别可能对认知功能很关键的生物计算类别对此进行补充。

以一个最近在神经科学领域的重要发现为例：离线体验「回放」的发现。在睡眠或者安静休息的时候，atv，生物大脑会「回放」由早期活跃时段生成的神经活动。例如，当老鼠穿过迷宫的时候，「地方」单元随着老鼠的运动会激活。在休息的时候，在老鼠的大脑中观察到了相同的神经活动序列，貌似老鼠会在精神上重新想象它之前的活动，并用它们去优化未来的行为。事实上，对回放的干扰会损害它们后来进行同样任务时的表现。

「回放」是 DQN 的关键元素，DQN 是一个通用智能体（general-purpose agent），j2直播，它能够持续地调整自己的行为来适应新的环境

乍一看，构建一个需要「睡眠」的人工智能体似乎是反直觉的——毕竟，它们应该在它们的程序员睡觉之后在一个可计算的问题上耗很多时间。但是这个原则却是我们的 deep-Q Network（DQN）的关键部分，这是一个仅仅依靠原始像素和分数作为输入，通过学习能够把 Atari 2600 游戏掌握到超过人类的水平的算法。DQN 通过存储一个它能够离线「回顾」的训练数据的子集来模仿「经验回放」，这使得它能够从过去的失败和成功中学习到新的东西。

这样的成功给了我们信心，神经科学早已成为人工智能思想的重要源泉。展望未来，我们相信神经科学在帮助我们处理一些仍未解决的问题上会变得不可或缺，例如高效学习、理解物理世界和想象力。

想象力对人类和动物来说一个十分重要的功能，想象力允许我们在仍未发生的情况下就可以规划未来，当然这是有代价的。举个简单的例子，比如规划一个假期。为了做到这件事，我们要利用我们关于这个世界的知识或者「模型」，并且用它来及时地推进或者评估未来的状态。这允许我们计算需要走的路径，或者打包在晴天穿的衣服。尽管人类神经科学的前沿研究正在开始揭示支撑这种思维的计算系统和机制，但是很多这种新的理解尚未在人工模型中得到应用。

神经科学领域和人工智能领域有一个漫长且相互交织的历史