窺探AI的黑匣子以發(fā)現(xiàn)集體行為是如何出現(xiàn)的

魚群創(chuàng)造的驚人復(fù)雜的圖案如何出現(xiàn)?對于許多科學(xué)家而言，這個問題提出了一個不可抗拒的數(shù)學(xué)難題，其中涉及大量變量，這些變量描述了每條魚類及其許多鄰居的相對速度和位置。

提出了各種數(shù)學(xué)模型來解決這個問題，但據(jù)葡萄牙里斯本尚帕里莫德未知中心的集體行為實驗室負(fù)責(zé)人貢薩洛·德·波拉維耶哈(Gonzalo de Polavieja)稱，它們不可避免地會陷入兩個極端之一：要么太過極端，要么太過極端簡單或過于復(fù)雜。

de Polavieja說：“人工智能和機器學(xué)習(xí)領(lǐng)域的興起提供了非常精確的模型，可以預(yù)測群體中個人的行為。” “但是這些模型就像黑匣子：它們處理數(shù)據(jù)以生成預(yù)測的方式可能涉及成千上萬個參數(shù)，其中許多甚至可能不對應(yīng)于真實世界的變量。人類無法理解如此復(fù)雜的信息。”

他繼續(xù)說：“在另一個極端，是簡單的模型，參數(shù)很少，使您可以識別與一個主要成分相關(guān)的規(guī)則，例如魚之間的距離或其相對速度。但是這些模型也是如此狹窄，因此在預(yù)測團隊的整體行為時永遠都不準(zhǔn)確。”

de Polavieja和他的團隊從一種新型的稱為“注意力網(wǎng)絡(luò)”的AI模型中汲取了靈感，從而能夠找到一種介于兩個極端之間的解決方案：一種具有洞察力和可預(yù)測性的模型。他們在科學(xué)雜志《Plos計算生物學(xué)》上發(fā)表的一篇文章中描述了他們的結(jié)果。

解構(gòu)黑匣子

為了解決該問題，團隊決定使用AI技術(shù)：不構(gòu)建標(biāo)準(zhǔn)的完整“黑匣子”，而是將模型組織為多個相互連接的模塊，每個模塊都非常簡單，因此可以對其進行分析。

當(dāng)團隊研究由各個模塊生成的功能時，他們發(fā)現(xiàn)他們已經(jīng)知道的粗略規(guī)則仍然適用，但是經(jīng)過了極大地完善。“例如，根據(jù)以前的模型，每條魚周圍的空間分為三個圓形同心區(qū)域：排斥，對齊和吸引。我們也找到了這三個區(qū)域，但是與最初識別它們的簡單模型相反，我們的模型研究表明，這些區(qū)域不是圓形的，也不是同心的，它們的變化取決于魚的速度。”研究的第一作者弗朗西斯科·赫拉斯(Francisco Heras)解釋說。

除了具有洞察力之外，該模型還擅長預(yù)測魚的行為。赫拉斯說：“我們可以90%的準(zhǔn)確率判斷出該組中的每條魚在下一秒鐘內(nèi)會向右轉(zhuǎn)還是向左轉(zhuǎn)。” “與人類的工作時間相比，這看起來似乎并不長，但是斑馬魚生活在節(jié)奏較快的環(huán)境中，可以在短短的一秒鐘內(nèi)移動約八倍于其身體長度的距離。”

該模型的結(jié)果是如此強大，以至于人們不得不懷疑為什么以前沒有使用這種方法。根據(jù)de Polavieja的說法，答案是“一點社會學(xué)和一點數(shù)學(xué)”。正如他解釋的那樣，“由于主導(dǎo)該領(lǐng)域的兩種方法是如此不同，花了一段時間才意識到，構(gòu)建既有見識又可預(yù)測的模型是可能的。” 一旦團隊意識到了這種可能性，他們便開始探索不同的體系結(jié)構(gòu)，并以優(yōu)化模型的預(yù)測能力同時又使模型足夠簡單以使其具有洞察力的方式來調(diào)整其假設(shè)集。

使這項開發(fā)成為可能的另一個因素是實驗室最近開發(fā)的開源，復(fù)雜的跟蹤軟件。“通過使用idtracker.ai，我們能夠同時跟蹤100條魚的群。這對于獲得此類研究所需的龐大而詳細(xì)的數(shù)據(jù)集至關(guān)重要。”

團隊免費提供了其模型的代碼。根據(jù)Polavieja的說法，它可以成為集體行為社區(qū)的有用工具，該社區(qū)現(xiàn)在將擁有一種以自動，預(yù)見性和生物學(xué)洞察力來恢復(fù)相互作用規(guī)則的方法。他總結(jié)說：“我們希望其他人可以使用它來研究許多不同類型的社交互動。”