作為代表自然界擁有最通用智能的生物大腦，可以借助低功耗和少量后天數(shù)據(jù)，實(shí)現(xiàn)在復(fù)雜環(huán)境下執(zhí)行復(fù)雜任務(wù)的智能行為。因此，探索生物大腦智能認(rèn)知的底層機(jī)理和復(fù)雜行為背后的神經(jīng)科學(xué)基礎(chǔ)，對(duì)于探索智能的本質(zhì)，以及推動(dòng)通用人工智能(AI)研究發(fā)展具有重要意義。

在近期舉辦的2021北京智源大會(huì)上，國(guó)內(nèi)外科學(xué)家圍繞通用AI的發(fā)展，分享了類腦研究領(lǐng)域最新成果，以及AI未來(lái)發(fā)展可能存在的瓶頸及相應(yīng)的解決思路。

通用AI成研究熱點(diǎn)

通用AI是指具有一般人類智慧，可以執(zhí)行人類能夠執(zhí)行的任何智力任務(wù)的機(jī)器智能。一些研究人員也將通用AI稱為強(qiáng)AI或者完全AI。

日本理化學(xué)研究所榮休教授甘利俊一曾在1967年提出了隨機(jī)梯度下降算法，并首次將其用于多層感知機(jī)訓(xùn)練。在1972年，甘利俊一提出了聯(lián)想式記憶模型。“通用AI是未來(lái)發(fā)展趨勢(shì)，而我們的工作是努力用算法、學(xué)習(xí)機(jī)制來(lái)貼近通用AI。”甘利俊一表示，例如深度網(wǎng)絡(luò)學(xué)習(xí)等方法的發(fā)展，將有助于通用AI的實(shí)現(xiàn)。

目前，AI主要用于定制解決方案。大多數(shù)AI系統(tǒng)是建立在單一類型上的，例如在圖片或聲音數(shù)據(jù)上工作。大部分AI系統(tǒng)都只為解決一個(gè)特定的問(wèn)題，且很多系統(tǒng)都只針對(duì)單個(gè)數(shù)據(jù)集進(jìn)行優(yōu)化。

隨著通用AI的發(fā)展，大腦學(xué)習(xí)機(jī)制和AI的聯(lián)系越來(lái)越深刻。英國(guó)倫敦大學(xué)學(xué)院蓋茨比計(jì)算神經(jīng)科學(xué)中心主任彼得·達(dá)揚(yáng)表示，可以從AI的算法獲得啟發(fā)解釋腦科學(xué)機(jī)制，也可以從豐富而有效的大腦學(xué)習(xí)機(jī)制中獲得啟發(fā)和學(xué)習(xí)，發(fā)展更多新的人工強(qiáng)化學(xué)習(xí)方法，AI應(yīng)與大腦“聯(lián)姻”。

借鑒大腦學(xué)習(xí)機(jī)制

瑞典皇家理工學(xué)院教授科塔萊斯基是歐盟人類腦計(jì)劃的負(fù)責(zé)人?？扑R斯基表示，可以在高精度模型上探索大腦的通用智能，從大腦結(jié)構(gòu)和功能入手探索通用AI的新方向。

基底核是大腦中多巴胺分泌最豐富的核團(tuán)，在醫(yī)學(xué)上和帕金森氏癥密切相關(guān)，而AI領(lǐng)域目前最熱的強(qiáng)化學(xué)習(xí)理論也源自基底核工作原理。

“借鑒大腦的功能，以無(wú)監(jiān)督學(xué)習(xí)的方式，可以實(shí)現(xiàn)機(jī)器的自感知、自適應(yīng)、自驅(qū)動(dòng)，同時(shí)進(jìn)行躲避障礙與向目標(biāo)物體游動(dòng)的行為。”科塔萊斯基展現(xiàn)了如何從分子、細(xì)胞和神經(jīng)回路的尺度上，精巧地還原大腦運(yùn)動(dòng)和感知相結(jié)合的工作原理，并成功模擬了鰻魚在復(fù)雜水流中的運(yùn)動(dòng)情況。

“大腦的機(jī)制與機(jī)器的學(xué)習(xí)機(jī)制有很大差別，這些差異使一些對(duì)人來(lái)說(shuō)很簡(jiǎn)單的事情，對(duì)AI卻很困難，也使得AI只能勝任特定任務(wù)，而不具備通用智能。”德國(guó)法蘭克福高等研究院的丹科·尼科利奇通過(guò)多個(gè)方面的對(duì)比研究闡述了大腦的工作機(jī)理和與深度學(xué)習(xí)的差異。

不過(guò)，尼科利奇表示，類腦智能的研究需要進(jìn)一步深入理解這些本質(zhì)差異，并提出有效的解決方案;同時(shí)，可以借鑒人類大腦在概念表征、情境信息處理等方面的工作機(jī)理，提高機(jī)器智能的感知和認(rèn)知能力。

美國(guó)約翰斯·霍普金斯大學(xué)認(rèn)知科學(xué)系和計(jì)算機(jī)科學(xué)系特聘教授艾倫·尤爾建議，應(yīng)該通過(guò)研究人類視覺(jué)感知的規(guī)律，并使用更嚴(yán)格的性能指標(biāo)來(lái)挑戰(zhàn)和評(píng)估算法，解決對(duì)抗性攻擊、對(duì)環(huán)境信息過(guò)于敏感等算法弱點(diǎn)。“尤其是向人類視覺(jué)學(xué)習(xí)，開(kāi)發(fā)具有組合性的模型，并開(kāi)發(fā)出性能與人類視覺(jué)系統(tǒng)一樣好或更好的算法。”

打造生物智能開(kāi)源開(kāi)放平臺(tái)

AI的發(fā)展得益于神經(jīng)科學(xué)、認(rèn)知科學(xué)等領(lǐng)域的重大發(fā)現(xiàn)，而目前的AI與腦科學(xué)之間還存在一些錯(cuò)位，彌合這些缺口可能是解決當(dāng)前AI某些不足的關(guān)鍵。

北京大學(xué)人工智能研究院助理研究員杜凱認(rèn)為，當(dāng)前的AI與大腦的神經(jīng)計(jì)算差距還非常大，例如在處理基本的視覺(jué)信息輸入時(shí)，人工神經(jīng)網(wǎng)絡(luò)還依賴于對(duì)靜態(tài)圖像的學(xué)習(xí)，而人類視覺(jué)系統(tǒng)的神經(jīng)網(wǎng)絡(luò)處理信息是一個(gè)動(dòng)態(tài)的過(guò)程。

“應(yīng)該借鑒生物智能的研究，開(kāi)辟通用智能研究的新路徑。”清華大學(xué)基礎(chǔ)科學(xué)講席教授劉嘉表示，通過(guò)對(duì)認(rèn)知科學(xué)、神經(jīng)科學(xué)與計(jì)算科學(xué)等多學(xué)科的交叉研究，將現(xiàn)有認(rèn)知神經(jīng)科學(xué)等領(lǐng)域的最新成果、技術(shù)、研究工具和理論方法應(yīng)用到AI中，模擬生物大腦，利用人工網(wǎng)絡(luò)研究生物大腦的特性等，可以推動(dòng)AI的發(fā)展。

目前，北京智源人工智能研究院正在通過(guò)高精度生物大腦模擬仿真，構(gòu)建生命智能模型，探索新一代人工智能發(fā)展的可行路徑。

該研究院生命模擬研究中心負(fù)責(zé)人馬雷表示，結(jié)合來(lái)自神經(jīng)科學(xué)、信息科學(xué)等交叉科學(xué)的前沿技術(shù)，該機(jī)構(gòu)的“天演”生命模型旨在模擬仿真經(jīng)歷億萬(wàn)年進(jìn)化演進(jìn)的生物神經(jīng)系統(tǒng)和身體，通過(guò)搭建高精度模擬仿真軟硬件系統(tǒng)，構(gòu)建生命智能模型并挖掘生物智能機(jī)制機(jī)理，逐步啟發(fā)和探索新一代人工智能。

“大腦模型的規(guī)模越大、精細(xì)程度越高，越能表征生物智能性，而當(dāng)今大規(guī)模高精度仿真依然存在諸多瓶頸，其中最關(guān)鍵的挑戰(zhàn)要數(shù)計(jì)算的復(fù)雜性，現(xiàn)有的超級(jí)計(jì)算系統(tǒng)難以承擔(dān)大腦突觸級(jí)別的超微精細(xì)計(jì)算。”馬雷表示。

劉嘉表示，人工智能研究者應(yīng)積極通過(guò)對(duì)生物腦內(nèi)部認(rèn)知過(guò)程的探索，比較生物智能與神經(jīng)網(wǎng)絡(luò)的異同，從而了解大腦在實(shí)現(xiàn)特定認(rèn)知功能方面的神經(jīng)機(jī)理和認(rèn)知范式，完善和革新現(xiàn)有的人工神經(jīng)網(wǎng)絡(luò)模型與算法，探索智能的邊界和腦啟發(fā)/類腦的通用智能研究新路徑。(鄭金武)