卡內(nèi)基梅隆大學教授 ：是時候打破人腦與機器之間的壁壘了
?卡內(nèi)基梅隆大學計算機科學學院教授Tom Mitchell
編者按：
4月27日，由長城會主辦的全球移動互聯(lián)網(wǎng)大會（GMIC）在北京開幕，在其中全球科學創(chuàng)新峰會上，美國卡內(nèi)基梅隆大學計算機科學學院機器學習系主任Tom Mitchell做了“突破人類與機器的壁壘”的主題演講。他認為，腦科學和人工智能在過去幾十年都有了巨大的發(fā)展，現(xiàn)在是時候打破它們之間界限的時候了，未來將發(fā)展出更加具有人類能力的人工智能，我們對大腦的理解也將會更加計算機化。以下內(nèi)容整理自嘉賓演講，未經(jīng)演講者審閱。
演講 | Tom Mitchell（卡內(nèi)基梅隆大學計算機科學學院教授）
整理 | 劉美幸、劉嘉欣
責編 | 陳曉雪
● ● ●
智能如何在物理材料中實現(xiàn)突破？這是科學界一個偉大但未被解答的問題。
我們當前有兩種研究的方式：研究大腦，因為我們的大腦是智能的；努力開發(fā)人工智能。這是兩種研究智能的方向，而且人類對它的研究已經(jīng)進行了很長一段時間了。
關于智能的這兩個研究方向是不是“相差太遠”了？它們就像是在互相忽視對方一樣，從來沒有交集，這兩方面的專家對對方領域都了解得不多，是不是到了該讓它們產(chǎn)生交集得時候了？是不是該進行一些戰(zhàn)略改變，投入更多的資源進行兩者之間的交叉研究？
實際上，這兩方面在過去幾十年都取得了許多顯著進步。人工智能在圍棋、國際象棋、撲克等方面取得了不俗的戰(zhàn)績，包括去年戰(zhàn)勝圍棋冠軍李世石。計算機視覺進展也很快，過去十年里面，識別率從60%變成了95%。去年10月，微軟已經(jīng)宣布了它相應的一個數(shù)據(jù)庫，也實現(xiàn)了主要突破，比如前面講到了下圍棋、下象棋，人工智能突破非?？欤澈笾饕且粋€深層次的機器學習。
腦科學發(fā)展也非常迅猛，我們能更好地引入功能性磁共振成像（fRMI）、腦電圖（EEG）等高科技，這些微創(chuàng)或者無創(chuàng)的方法使得我們可以在毫秒間分析幾千個影像，查看人腦的一些活性。與人腦研究相比，動物的大腦研究更加令人歡欣鼓舞。我們對老鼠和其他一些動物進行基因改造，對它稍微放電刺激，研究動物大腦基因的一些修飾、改變，這樣可以更好地管理和控制人的神經(jīng)活動。當老鼠在迷宮中跑動時，我們可以掃描其腦活動，而當老鼠在一個迷宮行走的時候，我們可以通過它的神經(jīng)元放電的狀況來了解老鼠對自己位置的感覺。我們還發(fā)現(xiàn)人們社交時，大腦中管社交的部分會得到同步激活，而且自閉癥患者和正常人在該區(qū)域會出現(xiàn)不一樣狀況。
無論是在人工智能方面還是腦科學方面，我們都取得了令人矚目的巨大進展。所以，就有這樣一個問題，它們?yōu)槭裁床痪酆掀饋?？無論腦科學還是人工智能方面都是進行交叉的研究。
首先是計算機視覺，這樣的一個神經(jīng)網(wǎng)絡，可以用來預測人腦當中的神經(jīng)元的活動，包括它的視覺皮層相應的活動。我們可以來看一些細節(jié)，單個神經(jīng)網(wǎng)絡當中的單元，通過輸入輸出可以看到相關的情況，它的輸入可以進行研究，它到底是怎樣的組合，我們也可以看到單個神經(jīng)元組成的網(wǎng)絡，一個輸出成為另外一個輸入的情況，如果對這樣深層次的網(wǎng)絡進行訓練，比如把輸入的影像通過輸出，展現(xiàn)出這個影像到底是什么，實現(xiàn)相應的深度學習。
2014年，我們做了一些實驗，訓練了不同的網(wǎng)絡，每一個點都是代表他們訓練過的人工神經(jīng)網(wǎng)絡。在訓練了這些神經(jīng)網(wǎng)絡之后，我們把同樣的影像給另外的神經(jīng)網(wǎng)絡看。fMRI掃描也在人的大腦當中相應的部分觀測到神經(jīng)活動，有相似的預測。這是令人一個非常稱奇的結(jié)果。我們現(xiàn)在可以建立一種橋梁，訓練人工神經(jīng)網(wǎng)絡，預測大腦的腦神經(jīng)活動。這樣就打開了無限的可能，可以回答很多有趣的問題。比如，人的視覺到底是怎么運作的，可以用怎樣的設備設計更好的人工神經(jīng)網(wǎng)絡幫助我們做這樣的預測。這樣人工的神經(jīng)網(wǎng)絡可以進一步推動，一層一層地輸入、輸出，而大腦的確是不一樣的，大腦是有前輸和后輸?shù)?，而我們就可以在這個橋梁當中研究，人工的大腦和人的大腦當中到底什么區(qū)別，可以相互借鑒、促進。
這里有另外一個例子，來自于最近的一個研究，自然語言的研究已經(jīng)得到了很大的提升。比如谷歌翻譯現(xiàn)在也比之前要更加精確了，為什么呢？主要是由于深層次的神經(jīng)網(wǎng)絡，甚至是因為有一些儲存。通過對大腦的研究，我們來研究大腦怎么樣用這個神經(jīng)活動來解釋相應的一些詞義，這些詞義給我們一些更好的回答問題的方式。對這些細節(jié)進行研究后，我們產(chǎn)生一種模型或者理論來幫助我們對大腦的活動進行預測，任何一個詞輸入人腦會出現(xiàn)怎樣的一個詞義。通過這樣一個模型的結(jié)構(gòu)，任何輸入都可以被研究。比如說電話，首先這個模型產(chǎn)生一個代碼，用它預測大腦的神經(jīng)活動，能預測出大腦中兩萬多個不同的位置。進一步通過矢量預測，比如這里是“芹菜”和“飛機”兩個矢量，兩個矢量的特征都和相應的詞對應，我們可以看到和芹菜相關聯(lián)的有“吃”，“味道”一類，而對“飛機”來說，相關聯(lián)的就出現(xiàn)很多動詞，相關的一些詞就出現(xiàn)了。
通過這樣一些模型當中的編碼，可以很好地反映出皮層中出現(xiàn)的詞，有助于我們對模型進行訓練。我們看到對任何詞的神經(jīng)活動，比如“芹菜”，把這些語義的特征組合起來，通過模型分析，關聯(lián)這些特征，“吃”這個詞和“芹菜”這個詞是關聯(lián)度最高的，通過這樣的研究很有意義，給到一個新詞，比如說之前沒有培訓過。我們發(fā)現(xiàn)，在83%的情況下有兩個新的詞，哪個是第一個關聯(lián)，哪個是第二個關聯(lián)，有50%的可能性是正確的，有的詞從來沒有出現(xiàn)也是有很高的識別率。詞義的表達，是我們矢量表達法在詞義解釋上的應用。
第三個例子是強化學習，這個是非常流行的，比如相關的訓練當中會出現(xiàn)強化學習。很多時候?qū)游锏莫剟钍菑娀瘜W習的一種很好的方式。
這里有張圖，底部有一些橫線，每一個點都是對應到猴子一個正在放電的神經(jīng)元，在下面可以看到有時間的序列，給猴子一些糖，猴子的神經(jīng)元就有放電的現(xiàn)象。神經(jīng)元放電代表什么呢？可能是猴腦對這個獎勵，也就是這個糖有所感應，所以放電了。
所以，實驗的第二部分是，實驗者培訓這些猴子，讓它們知道給糖之后的1秒就會開始閃光，這個圖就變了。我們可以看到的就是給猴子糖以后，猴子的神經(jīng)元沒有任何反應，而是當閃光以后，猴子的神經(jīng)元才放電，說明并不是因為給了糖神經(jīng)元才反應，而是對獎勵這個事情本身放電，這是很酷的情況。
第三種情況，沒有給糖，只是閃光，猴子怎么反應？沒有給糖，沒有任何獎勵，這個神經(jīng)元就會怎么樣來表達呢？我們發(fā)現(xiàn)，閃光之后沒有給糖，是一種令猴子抑郁的舉動。一些物質(zhì)是與強化學習直接相關的。在這樣的信號之下，我們可以看到的是能出現(xiàn)獎勵和這個時間的方程式，在這樣的一個情況下，很好來解釋了我們能看到猴子神經(jīng)元的一個表現(xiàn)，因此在我們的人工智能的算法和我們?nèi)说拇竽X之間或者動物的大腦之間，有這樣一種橋梁和關系。因此強化學習的算法對機器人的控制是可以用的，或者是可以用于打敗人類冠軍的AlphaGo的訓練。因此，這樣一些對大腦行為的觀測和檢測可以幫助我們進行一些人工神經(jīng)網(wǎng)絡的訓練。
這就是我要講的三個例子， 一個是計算機視覺，一個是文本含義與預測，一個是通過獎賞強化學習。
人工智能和大腦是兩種研究智能的方式，二者發(fā)展都很迅速，現(xiàn)在到了二者融合的時間了。盡管人的大腦不是由硅組成的計算機，但是任何產(chǎn)生智能的物理的方式，它都是有一些信息的約束條件的，形成一種結(jié)構(gòu)，這樣的一種結(jié)構(gòu)可以深層次地學習。在人工智能和人腦之間的學習中，我們可以找到更多的答案幫助我們推進科學的進步。
制版編輯：鄧志英丨
