神經(jīng)科學(xué)和人工智能可以幫助改善彼此

盡管他們的名字，人工智能技術(shù)及其組件系統(tǒng)，如人工神經(jīng)網(wǎng)絡(luò)，與真正的腦科學(xué)沒有多大關(guān)系。我是生物工程和神經(jīng)科學(xué)的教授，有興趣了解大腦如何作為一個系統(tǒng)工作 - 以及我們?nèi)绾卫眠@些知識來設(shè)計和設(shè)計新的機器學(xué)習(xí)模型。近幾十年來，大腦研究人員已經(jīng)大量了解了大腦中的物理連接以及神經(jīng)系統(tǒng)如何路由信息并對其進行處理。但仍有大量尚待發(fā)現(xiàn)。

與此同時，計算機算法，軟件和硬件的進步使機器學(xué)習(xí)達到了以前無法想象的成就水平。我和該領(lǐng)域的其他研究人員，包括其中的一些領(lǐng)導(dǎo)者，越來越感覺到了解大腦如何處理信息可以幫助程序員將思維的概念從潮濕和濕軟的生物世界轉(zhuǎn)化為全新的形式數(shù)字世界中的機器學(xué)習(xí)。

大腦不是機器

“機器學(xué)習(xí)”是通常被稱為“人工智能”的技術(shù)的一部分。機器學(xué)習(xí)系統(tǒng)在非常大的數(shù)據(jù)集中找到復(fù)雜和微妙的模式比人類更好。

這些系統(tǒng)似乎無處不在 - 自動駕駛汽車，面部識別軟件，金融欺詐檢測，機器人技術(shù)，幫助醫(yī)療診斷和其他地方。但在引擎蓋下，它們實際上只是基于單一統(tǒng)計算法的變體。

人工神經(jīng)網(wǎng)絡(luò)是機器學(xué)習(xí)最常用的主流方法，是高度互聯(lián)的數(shù)字處理器網(wǎng)絡(luò)，它接受輸入，處理有關(guān)這些輸入的測量并生成輸出。他們需要了解各種輸入應(yīng)該產(chǎn)生什么樣的輸出，直到他們開發(fā)出以類似方式響應(yīng)類似模式的能力。

如果你想要一臺機器學(xué)習(xí)系統(tǒng)顯示文字“這是一頭牛”，當它顯示一頭牛的照片時，你首先必須從各個角度給它提供大量不同類型的奶牛的不同照片因此，它可以調(diào)整其內(nèi)部連接，以響應(yīng)每個人的“這是一頭牛”。如果你向這個系統(tǒng)顯示一張貓的照片，它只會知道它不是一頭牛 - 并且無法說出它實際上是什么。

但這不是大腦的學(xué)習(xí)方式，也不是它如何處理信息來理解世界。相反，大腦會輸入非常少量的輸入數(shù)據(jù) - 比如牛的照片和牛的圖畫。很快，只有極少數(shù)的例子，即使是幼兒也會掌握牛的樣子，并能夠從不同的角度和不同的顏色中識別新的圖像。

但是機器也不是大腦

因為大腦和機器學(xué)習(xí)系統(tǒng)使用根本不同的算法，每個算法都以其他方式失敗的方式擅長。例如，即使輸入中存在噪聲和不確定性 - 或者在不可預(yù)測的變化條件下，大腦也可以有效地處理信息。

你可以看一張撕裂和皺巴巴的紙上的顆粒狀照片，描繪一種你以前從未見過的那種牛，并且仍然認為“那是一頭牛。”同樣，你經(jīng)?？匆幌掠嘘P(guān)情況的部分信息，并做出預(yù)測和決定。你所知道的，盡管你不知道。

同樣重要的是大腦能夠從身體問題中恢復(fù)，重新配置其連接以在受傷或中風后適應(yīng)。大腦非常令人印象深刻，患有嚴重疾病的患者可以將大腦的一半移除并恢復(fù)正常的認知和身體功能?，F(xiàn)在想象一下計算機在移除一半電路的情況下的效果如何。

同樣令人印象深刻的是大腦進行推理和推斷的能力，這是創(chuàng)造力和想象力的關(guān)鍵。考慮一下母牛在木星上翻轉(zhuǎn)漢堡的想法，同時解決其頭部的量子引力問題。我們都沒有任何類似的經(jīng)歷，但是由于我們的大腦，我能想出它并有效地與你溝通。

然而，也許最令人驚訝的是，大腦使用與運行昏暗燈泡大致相同的功率來完成所有這些工作。

結(jié)合神經(jīng)科學(xué)和機器學(xué)習(xí)

除了發(fā)現(xiàn)大腦如何工作之外，還不清楚哪些大腦過程可能作為機器學(xué)習(xí)算法或如何進行翻譯。解決所有可能性的一種方法是專注于同時推進兩項研究工作的想法，既可以改善機器學(xué)習(xí)，也可以識別神經(jīng)科學(xué)的新領(lǐng)域。從腦科學(xué)到人工智能，課程可以雙向進行 - 人工智能研究強調(diào)了生物神經(jīng)科學(xué)家的新問題。

神經(jīng)元可以以非常復(fù)雜的形狀生長。該圖像歸功于Juan Gaertner。

例如，在我自己的實驗室里，我們開發(fā)了一種思考個體神經(jīng)元如何對其整體網(wǎng)絡(luò)做出貢獻的方法。每個神經(jīng)元僅與其連接的其他特定神經(jīng)元交換信息。它沒有關(guān)于其他神經(jīng)元的內(nèi)容，或者它們發(fā)送或接收的信號的總體概念。無論網(wǎng)絡(luò)多么廣泛，每個神經(jīng)元都是如此，因此局部相互作用共同影響整體的活動。

事實證明，描述這些相互作用層的數(shù)學(xué)同樣適用于真實大腦中的人工神經(jīng)網(wǎng)絡(luò)和生物神經(jīng)網(wǎng)絡(luò)。因此，我們正在開發(fā)一種全新的機器學(xué)習(xí)形式，可以在沒有經(jīng)過高級適應(yīng)性和高效學(xué)習(xí)的高級培訓(xùn)的情況下即時學(xué)習(xí)。

此外，我們使用這些想法和數(shù)學(xué)來探究為什么生物神經(jīng)元的形狀如此扭曲和曲折。我們發(fā)現(xiàn)他們可以開發(fā)這些形狀以最大化傳遞消息的效率，遵循我們用于構(gòu)建人工學(xué)習(xí)系統(tǒng)的相同計算規(guī)則。這不是我們對神經(jīng)生物學(xué)的一次機會發(fā)現(xiàn)：我們一直在尋找這種關(guān)系，因為數(shù)學(xué)告訴我們。

采取類似的方法也可以告知研究當大腦成為神經(jīng)和神經(jīng)發(fā)育障礙的犧牲品時會發(fā)生什么。專注于AI和神經(jīng)科學(xué)共享的原則和數(shù)學(xué)可以幫助推進對這兩個領(lǐng)域的研究，實現(xiàn)計算機的新水平和對自然大腦的理解。

資金來源：Gabriel A. Silva目前獲得微軟，勞倫斯利弗莫爾實驗室和整體研究與教育基金會的資助。過去他實驗室的資金來自國立衛(wèi)生研究院，國防部和其他機構(gòu)。