所有文章 > 正文

人脑与电脑:AI技术有望让脑科学和机器学习“共同进步”

作者: Jansfer

时间: 2019-07-12 21:39

大脑和机器不同,是因为大脑和机器学习系统使用完全不同的算法,这也让他们各具优劣。

图|用荧光染料处理的神经元以显示它们的相互连接(图片来源:Silva Lab)

近几十年来,人类对于大脑的研究取得了长足的进展,大脑研究人员们掌握了大量的关于大脑中的物理连接,神经系统的传递路线信息,以及如何处理这些信息的知识。但仍有大量未知的事物尚待发现。而与此同时,计算机算法,软件和硬件的进步使机器学习达到了以前无法想象的成就水平。越来越多的脑科学研究人员感觉到,更多地了解大脑处理信息的原理可以帮助算法程序员将“思维”的概念从生物世界转化到全新的形式数字世界中的机器学习当中。

图|简单的人工神经网络图(图片来源:Cburnett/Wikimedia Commons, CC BY-SA

“机器学习”是通常被称为“人工智能”的技术的一部分。在非常大的数据集中寻找复杂又微妙的关系时,机器学习系统比人类表现得更好。这些系统可以说是无处不在,例如自动驾驶汽车,面部识别软件,金融欺诈检测,机器人技术,帮助医疗诊断以及许多其他领域。但是从本质上讲,它们实际上只是基于单一统计算法的变体。人工神经网络是机器学习最常用的主流方法,是一种高度互联的数字处理器网络,它接受输入,处理有关这些输入的信息并生成输出。算法程序员们想开发出能成功响应的算法,就需要了解输入应该产生什么样的输出。如果你想要一台机器学习系统显示文字“这是一头牛”,在你对其输入一头牛的照片之前,你必须先从各个角度给它提供大量不同类型的牛的不同照片。机器学习系统通过这种这些照片来调整其内部连接,以响应每个人的“这是一头牛”。但如果你向这个系统展示一张猫的照片,它只会知道它不是一头牛,却无法说出它实际上是什么。但问题在于,这并不是大脑的学习方式,也不是它处理信息来理解世界的方式。相反,大脑接收非常少量的输入数据,例如牛的照片和牛的图画。但即使只有极少数的例子,即使只是幼儿,他们也会很快掌握牛的样子,并且能够从不同的角度和不同的颜色中新图像中识别出“这是一头牛”。

图|神经元及细胞(图片来源:Hoffman-Kim lab, Brown University/National Science Foundation

大脑和机器不同,是因为大脑和机器学习系统使用完全不同的算法,这也让他们各具优劣。首先,即使输入中存在噪声和不确定性,或者在不可预测的变化条件下,大脑也可以有效地处理信息。人们能够从一张皱巴巴的纸上印着的照片上,描绘一种以前从未见过的那种牛,但却仍然能认为“那是一头牛”。其次,大脑能够从疾病中恢复,即使遭受了重大疾病或损伤,大脑也往往能够重新建立连接,并逐渐适应。那些患有严重疾病的患者甚至可以将大脑的一半移除并恢复正常的认知和身体功能。但如果将计算机的一半电路移除,后果可想而知。此外,同样令人印象深刻的是大脑进行推理和推断的能力,这是创造力和想象力的关键。然而,最令人惊讶的是,大脑完成所有这些令人不可思议的工作,它消耗的功率却仅仅和一只昏暗的灯泡大致相同。

图|神经元生长图(图片来源:Juan Gaertner/Shutterstock.com

目前的问题在于人们还不清楚哪些大脑过程是可能作为机器学习算法来引入的。因此,一种可能的解决方法是同时推进脑科学与机器学习两项研究工作,这样既可以改善机器学习,也可以识别神经科学的新领域。从脑科学到人工智能,再从人工智能回归到脑科学中,对人工智能研究也能为生物神经科学家的新问题打开局面。有研究人员开发了一种探究个体神经元如何对其整体网络做出贡献的方法。每个神经元仅与其连接的其他特定神经元交换信息。每个神经元都没有关于其他神经元的内容,或者发送或接收的信号的总体概念。无论网络多么广泛,每个神经元都是如此,因此局部相互作用共同影响整体的活动。事实证明,这种情况同样适用于真实大脑中的人工神经网络和生物神经网络。因此,可以使用这种方法来开发一种全新的机器学习形式,从而实现在没有经过高适应性和高效学习的培训的情况下的即时学习。

此外,研究人员还想探究为什么生物神经元的形状如此扭曲。研究人员发现这些形状可以最大化传递消息的效率,这有助于人们构建人工学习系统的计算规则。采取类似的方法还可以预测当大脑神经发育障碍时会发生什么。秉持AI和神经科学共享的原则可以帮助推进对这两个领域的研究,让计算机和大脑科学领域达到新的高度。

参考:phys.org/news/

[关于转载]:本文为“AMiner”官网文章。转载本文请联系原作者获取授权,转载仅限全文转载并保留文章标题及内容,不得删改、添加内容绕开原创保护,且文章开头必须注明:转自“AMiner”官网。谢谢您的合作。

二维码 扫码微信阅读
推荐阅读 更多