“强人工智能”的秘密：向人类大脑学习

姓名：陈廷奇

学号：17021211129

专业：电子与通信工程

转载自 http://36kr.com/p/5108064.html

【嵌牛导读】：Numenta联合创始人Jeff Hawkins最近写了一篇文章，名为“强人工智能的秘密”。他认为，目前的AI技术存在限制，如果想开发通用AI，我们必须寻找新方法，而向大脑学习是最好的捷径。

【嵌牛鼻子】：人工智能 机器学习

【嵌牛提问】：如何开发通用AI？

【嵌牛正文】：在图像识别、自动驾驶汽车及其它难以征服的领域，深度学习、卷积神经网络等AI技术取得了相当大的突破。无数AI公司破土而出，它们也在追赶潮流，因为融资、收购速度正在加快。

尽管如此，一些顶尖AI研究人员已经意识到，事情似乎有些不对头。虽然进步惊人，但是目前的AI技术仍然存在许多局限。例如，深度学习网络需要几百万个训练案例，然后才能正确运行，人类不一样，很快就能学会。正是因为存在这种限制，所以深度学习网络的应用范围很小。虽然平均精准率很高，但是也会出现严重的失败。

例如，即使图像只是稍作更改，AI系统也会犯错，将牙刷当成棒球棒。在某些应用中，这类错误可能会引发大灾难，致人死亡或者受伤。因为存在这样和那样的限制，AI领袖们认为应该寻找不同的方案。Geoff Hinton是最著名的AI科学家之一，他最近就说自己对当前的AI技术“深表怀疑”，我们需要重新开始。Francois Chollet是深度学习网络的知名专家，他也说：“我认为应该完全抛弃，然后重新开始。如果只是增强今天的深度学习技术，不可能达到一般智力的水平。”

Chollet认为，人类智力并无限制，而深度学习存在基本限制。事实上，人类大脑相当有弹性。人类不只会驾驶汽车，还能建造摩天楼，管理农场，给计算机编程。我们可以轻松拿起东西，比如咖啡杯，用手指灵活操纵它们，但是AI系统做不到。每一个人都学会了几百项复杂技能，可以混合，快速完成。

从另一方面看，深度学习系统只能完成少量任务，一次只能做一件事。如果需要完成新任务，必须重新训练。人类相当于通用学习机器，AI系统可不是这样的。如果AI想持续取得成功，必须打破之前的限制，成为更具通用性的AI。

近来，AI科学家已经开始向人类大脑学习。谷歌DeepMind的联合创始人Demis Hassibis说：“我们想开发‘一般智力’，真的可能吗？人类大脑是目前存在的唯一证明，为什么人类有这样的能力，是如何做到的，值得我们花时间研究理解。”

我很赞同。在过去30年里，我一直在研究人脑。2004年，我曾写过一本书，名叫“On Intelligence”，我在书中指出AI的发展需要人脑理论支持。2005年，我曾与人联合创办Numenta公司，这是一家专注脑皮质逆向工程的公司，而脑皮质是人类大脑最大的部分，也是与智力关系最密切的部分。

我们想搞清一些问题，比如人脑细胞是如何协作的，从而形成认知和行为能力。人脑与当前的AI技术有许多相似点，这说明AI正在沿着正确的方向发展。不过二者也有明显的不同。大脑的能力不只比当前AI系统强很多，而且人脑的物理架构也比AI人工神经网络的架构复杂很多。大脑能做的事AI系统做不到。

Numenta的研究告诉我们人脑的运行遵循一些重要原则，最终我们认为AI也会遵循同样的原则。例如，人脑的每一个神经元有几千个突触（也就是神经元之间的连接点）。我们仍然不知道大部分突触是如何工作的。我们发现神经元用大部分突触进行预测。

预测是在细胞内进行的，当我展望未来时，这些预测扮演了重要角色。AI人工神经元没有这样的能力，预测能力没有大脑那么强。为什么大脑通过形成新突触来学习新东西？我们还对原因有了深入的理解。深度学习依靠修改连接来学习，而人脑的学习方式更强大。为什么我们可以快速学习新东西，不会影响之前学到的内容？可能就是这个原因吧。

我们还有其它一些发现，这些发现对于智力来说至关重要，我想介绍一下最近的重要发现。人类是如何通过触摸识别对象的？我们正在研究。以此作为基础，我们发现脑皮质有一个新属性，触摸体现了这样的属性，视觉也体验了这样的属性，凡是脑皮质所做的一切都体现出来。有时我会将这种属性称为“失去的部分”，或者正如本文标题所说的，找到了“强大AI的秘密”。最近，我们发表论文，介绍这一发现，今天我来简要介绍一下。

“强人工智能”的秘密：向人类大脑学习

看看这张图片，很明显，它是一只杯子。实际上不是杯子，只是线条聚集在平坦表面上。要将图片视为线条在平面上的集合，而不是3D杯子，居然会是一件难事，真是奇怪。脑科学家一般都认为脑皮质从眼睛提取图像，经过一系列的处理，找到更多复杂的特性，然后就能识别图像了。

深度学习网络也是这样运行的。我们管这种处理流程叫作模式识别，深度学习网络的长处正在于此。用许多图片训练之后，给系统一张新图片，它就会告诉你图中有什么。不过系统只能识别标签，不能理解其它东西。人类不一样，我们看到一张图片，马上就可以知道它的3D形状是怎样的。你可以想像从不同的角度观看是怎样的，里面可能有液体，你甚至可以知道触摸它是怎样的感觉。不知道图中有什么就给图片贴上标签，这是深度神经网络擅长的事，脑皮质却可以知道目标物的架构是怎样的，是怎样运行的。

给人一张平面图片，人类就可以将它转化为实物的心理表征，到底脑皮质是怎样做到的？之前没有人知道，最近才找到了突破口。我们已经知道人脑是如何做到的。我们推断，所有脑皮质的输入信息都与一个代表“位置”的信号匹配。当你观看杯子照片，或者是图片的各部分，或者是线条，都会与位置匹配——也就是相对于3D杯子的位置。

计算机也用相似的方式创建实物CAD模型。你是如何用3D方式感知杯子的，转动杯子时你是如何想像杯子模样的，触摸时又是怎样的感觉？这些问题我们的理论都能给出解释。不只如此，当你的眼睛移动时，注视图片的不同位置时，为什么我们对杯子的感知仍然是稳定的？理论也可以解释。只要输入属性与相对于杯子的正确位置匹配，图像相对于视网膜的位置就变得不再重要了。

我们正在评估发现的意义，相信这些发现能破解大脑的一些秘密。虽然我们通过研究触摸、视觉能力推断出这一属性，但是确定位置信号的神经架构存在于脑皮质的任何部分。这一切都表明，脑皮质的所有处理都是与位置联系在一起的，即使这些位置并不一定与世界的物理位置一致。由此暗示：操纵抽像概念，操纵物理对象，二者的神经原理可能是一样的。当然，操纵概念正是“一般智力”的核心特点。

到底AI需要模拟人脑到怎样的程度，几十年来，大家一直争论不休。直到最近深度学习取得成功才为一种理论提供更强的支持：即使没有脑理论，AI也可以进步。不过成功也让我们看到了深度学习的局限性，我们需要新方法，这点再明显不过。如果想寻找新创意，大脑是一个好目标。亚马逊CEO Jeff Bezos最近说：“人类的行事方式与机器学习、机器智力目前的行事方式有着本质的不同。”

如果想开发通用AI，我们并不需要完全模拟大脑。不过大脑的一些基本原则不能忽视，如果有任何系统想展现通用智力，遵守这些原则很重要。通过研究，我们找到一些基本原则。我相信最近的发现是很重要的，这点终会证明。它可以完全改变我们对人脑感官输入的认知，以及人脑描绘世界知识的方式。

希望能有更多AI实践者能认识到当前AI技术的局限，到时他们将会在快速形成的“脑理论”世界内寻找一条通往通用AI的阳光大道。如果想将脑理论发现完全融入AI，可能还要好几年的时间，但是路线已经很清楚。

本文翻译自medium.com原文链接：https://medium.com/@Numenta/the-secret-to-strong-ai-61d153e26273