DeepMind眼中的神經科學研究：人工智能進步的另一個重要支點

雷鋒網 AI 科技評論按：繼神經科學家成為機器學習領域會議的邀請演講的常客以后，DeepMind AI 博客今天也發出了一篇文章講述他們對人工智能研究和神經科學研究協作的看法。他們覺得兩個領域的協作不僅很有好處，而且現在已經變得緊迫。雷鋒網 AI 科技評論編譯如下。

人工智能近期取得了舉世矚目的成果，在學會玩 Atari 游戲、下圍棋、德州撲克以后，它們現在生成的手寫文本和對話也幾乎跟人類的一樣，可以做多種語言的翻譯，甚至可以把生活照片變得和梵高的大作一樣。這些進步要歸功于新的統計方法和計算機不斷增加的計算能力等一些原因。不過在一篇近期發表于「神經元」期刊的文章中，DeepMind的研究者們提出了這樣的一個觀點：來自實驗和理論神經科學的想法對人工智能研究也大有幫助，而且往往被忽視了。

心理學和神經科學在 AI 的發展歷程中扮演過重要的角色。Donald Hebb、Warren McCulloch、Marvin Minsky、Geoff Hinton 這些奠基人一開始的動力都是想要弄清大腦是如何工作的。然而實際上，從上個世紀晚期以來，在神經網絡發展過程中起到重要作用的研究大多數都不是在數學和物理實驗室中完成的，而要歸功于心理學和神經生理學學科的研究者們。

在充滿了挑戰的現在，神經科學和人工智能領域攜手研究的需求前所未有地強烈。

DeepMind的研究人員們認為，即便這兩個領域都在飛速發展，研究者也應當抱有這種遠見。他們急切地希望神經科學的研究者們可以和人工智能的研究者們一起找到一種共同的語言，可以讓知識在兩個領域之間自由地流動，從而推動兩個領域內研究的長期共同進步。

DeepMind的研究人員們覺得 AI 研究中一個重要的因素是從神經科學中獲得靈感，有兩個原因。首先，神經科學可以幫助驗證已有的 AI 技術。簡單來說，如果研究者們發現的某些算法能夠模仿大腦中的某個功能，這很有可能意味著這些研究是想著正確的方向去的。第二條原因是，神經科學可以在構建人造大腦時為新的算法類型和架構提供豐富的啟發。以往的 AI 實現方案幾乎都是基于邏輯的方法和理論性的數學模型，DeepMind的研究人員們認為神經科學可以發現多種可能對認知功能起到關鍵作用的生物計算方式，這樣就可以對現有的方法和模型做出補充。

舉一個近期的例子，經驗的離線“回放”就是神經科學界的啟發性的發現。生物大腦在活動期間會產生一些神經活動，然后在之后的睡眠或者安靜休息的時候，大腦就會“回放”這些活動的短期模式。比如，當老鼠穿過迷宮的時候，跟地點相關的細胞就會在老鼠四處移動的過程中一直活動。等到老鼠休息的時候就可以再次在它的大腦中觀察到同樣的神經活動序列，仿佛老鼠們正在腦中想象它們當時的行動，然后用它們來優化未來的行為。這種猜測也得到了證實，如果干擾它們的“回放”過程，就會影響它們稍后再次進行同樣任務時的表現。

DQN網絡是一類通用智能體，它們可以持續地讓自己的行為適應新環境，而“回放”就是DQN網絡中的關鍵元素

如果說要造一個需要“睡覺”的智能體，聽起來仿佛怪怪的，畢竟它們本來應該在制造它們的人睡覺以后還要能夠反復琢磨計算問題才行。不過這種模式是 DeepMind 的 deep-Q 網絡的關鍵部分，這個算法已經學會了搞定各種 Atari 2600游戲，表現遠超人類，還僅僅需要原始的顯示像素點和游戲分數作為輸入就可以做到。這個 DQN 就通過存儲一部分訓練數據然后“離線”重看的方式模仿了“經驗回放”，讓它能夠再次從以往的成功或失敗中學習。

類似這樣的成功的驗證成果讓DeepMind的研究人員們有了很多信心，神經科學已然成為了他們的 AI 研究思路的重要來源。但是如果著眼未來，在他們需要幫忙解決高效學習、現實世界理解、想象等未解問題的時候，神經科學將會變得不可或缺。

想象力是人類和動物具有的一種非常重要的能力，讓我們無需行動就可以對未來情境做出規劃，避免了不少成本付出。舉個簡單的例子，比如規劃假期，我們就要運用我們對世界的知識（腦內的“模型”），然后靠它對未來會發生什么做出預測，評估未來的狀況，這樣我們就可以決定要選哪條路、或者要裝哪些晴朗的天氣里穿的衣服。最前沿的人類神經科學研究已經開始能夠揭露這種思考方式背后的計算和系統機制，但是真正應用到人工智能模型中的這些新理解還非常少。

神經科學和人工智能之間的歷史故事悠久纏綿

另一件現代 AI 研究中的重要挑戰是遷移學習，為了能夠高效地應對新的狀況，人造智能體們需要這種在現有知識基礎上做出合理決定的能力。這方面人類已經很擅長了，隨便一個會開車、會用電腦、能主持會議的人在面對不熟悉的汽車、不熟悉的操作系統、不熟悉的社交狀況的時候都能夠對付得來。

為了研究把這種能力賦予人造系統的可能性，研究者們已經開始著手做初步的嘗試。比如一類稱作“漸進網絡”的新的網絡架構就可以學會一個電腦游戲以后，根據這些知識學會玩另一個游戲。同樣的架構也可以用來把從模擬機器人手臂上學到的知識遷移到真實的機器手臂上，極大地減少了訓練時間。有意思的是，這些網絡跟人類的序列學習模型有一些共同點。這些誘人的聯系表明了未來的 AI 研究會有很多從神經科學的研究中學習的機會。

不過DeepMind的研究人員們認為知識的交換不應該是單向的，神經科學也可以從 AI 研究中獲益。比如強化學習這一現代 AI 研究的主要方法之一，最開始來自于心理學領域的動物學習理論，然后被機器學習的研究者們發揚光大。這些想法后來也反哺回了神經科學研究中，幫助我們理解一些神經生理學現象，比如哺乳動物基底神經節中多巴胺神經元的激活特性。

這種來回交流對兩個領域借助對方的見解不停發展至關重要，從而構建了一個正向的循環，其中 AI 研究者運用神經科學的想法構建新的技術，神經科學家可以從人造智能體的行為中更好地學習如何闡釋生物大腦。確實，這樣的循環能夠得到加速，近期的技術發展功不可沒，比如光遺傳學就可以讓我們精確地測量和控制大腦活動，從中獲取的大量數據還可以用機器學習領域的工具進行分析。

所以DeepMind的研究人員們認為把智慧轉化為算法，然后把算法和人類大腦相比較，已經成為當前至關重要的事情。他們希望 AI 可以成為創造新知識、推進科技探索前沿的工具，那么這樣的做法不僅可以支持對 AI 的研究，更可以讓大家更加理解自己的大腦中都發生了什么。這有可能照亮神經科學中最難解的神秘問題，比如創造力和夢的本質，甚至有一天可以解釋意識是怎么回事。面對著這么多難題，讓神經科學和人工智能聯手向前已經變得前所未有地緊迫。

via DeepMind Blog，雷鋒網 AI 科技評論編譯

論文地址：http://www.cell.com/neuron/fulltext/S0896-6273(17)30509-3