人腦作為地球上最復(fù)雜的智能載體，一個(gè)最大的特點(diǎn)就是能高能效地產(chǎn)生智能。如果能盡可能按照人腦的工作原理來(lái)創(chuàng)建AI系統(tǒng)，將會(huì)大大提高AI的工作效率，大幅降低能耗。

最近，劍橋大學(xué)做了這么項(xiàng)研究，就是想找到一個(gè)條路徑，讓AI系統(tǒng)復(fù)制人腦。

論文地址：https://www.cam.ac.uk/research/news/ai-system-self-organises-to-develop-features-of-brains-of-complex-organisms

直譯過(guò)來(lái)就是——AI系統(tǒng)自我組織，生成了一系列人腦的特征，甚至還有各種復(fù)雜的組織。

AI仿真大腦

大腦大家都不陌生，里面有很多神經(jīng)系統(tǒng)和組織。所有的組織和系統(tǒng)都在有限的物理空間內(nèi)部爭(zhēng)取有限的能量和資源。

但為了和諧共生，各部分之間就得平衡一下彼此的需求。

這也就是為什么各個(gè)物種的腦部結(jié)構(gòu)都差不多，就是因?yàn)樵诓粩嗟膬?yōu)化和調(diào)整之后，大家都傾向于發(fā)育成類似的組織解決方案。這種方案能帶來(lái)各部分之間的平衡。

劍橋大學(xué)醫(yī)學(xué)研究委員會(huì)認(rèn)知與腦科學(xué)組（MRC CBU）的蓋茨學(xué)者Jascha Achterberg表示，「大腦不僅善于解決復(fù)雜的問(wèn)題，而且在解決復(fù)雜問(wèn)題時(shí)耗能還很少。」

而劍橋大學(xué)的新研究，就有助于我們理解為什么大腦看起來(lái)就是現(xiàn)在這個(gè)樣子。研究途徑，就是將大腦解決問(wèn)題的能力和在解決問(wèn)題的過(guò)程中極少的耗能這兩點(diǎn)結(jié)合在一起，進(jìn)行整體的考慮。

共一作者是同樣來(lái)自MRC CBU的Danyal Akarca博士，他補(bǔ)充說(shuō)：這源于一個(gè)廣泛的原則，即生物系統(tǒng)的進(jìn)化通常是為了最大限度地利用其可用的能量資源。它們找到的解決方案往往非常優(yōu)雅，反映了施加給它們的各種力量之間的權(quán)衡。

而這篇發(fā)表在Nature Machine Intelligence的研究，就是Achterberg、Akarca和他們的其他團(tuán)隊(duì)成員創(chuàng)建的一個(gè)AI系統(tǒng)。核心就是模擬一個(gè)非常簡(jiǎn)化的大腦模型，同時(shí)施加了和人腦差不多的物理約束。

研究表明，這個(gè)設(shè)計(jì)出來(lái)的AI系統(tǒng)，還真發(fā)展出了某些和人類大腦相似的關(guān)鍵性特征，以及發(fā)育策略。

人腦中存在大量神經(jīng)元，而這個(gè)系統(tǒng)使用的是計(jì)算節(jié)點(diǎn)，不是真正的神經(jīng)元。但神經(jīng)元和節(jié)點(diǎn)的功能類似，都是接收輸入、轉(zhuǎn)換輸入并產(chǎn)生輸出，而且單個(gè)節(jié)點(diǎn)或神經(jīng)元可能連接多個(gè)其他節(jié)點(diǎn)或神經(jīng)元，這一點(diǎn)沒(méi)什么差別。

并且，所有信息輸入以后都要經(jīng)過(guò)計(jì)算。

下面就是最主要的部分了——研究團(tuán)隊(duì)施加的物理限制。

每個(gè)節(jié)點(diǎn)在虛擬空間中都有一個(gè)特定的位置，兩個(gè)節(jié)點(diǎn)離得越遠(yuǎn)，它們就越難以進(jìn)行溝通。這與人腦中神經(jīng)元的組織方式類似。

首先，研究人員給該系統(tǒng)布置了一個(gè)簡(jiǎn)單的任務(wù)——一個(gè)簡(jiǎn)化版的迷宮導(dǎo)航任務(wù)，通常是在研究大腦時(shí)給大鼠和獼猴等動(dòng)物布置的任務(wù)，參與者必須結(jié)合多種信息來(lái)決定到達(dá)終點(diǎn)的最短路線。

之所以研究團(tuán)隊(duì)選擇這項(xiàng)任務(wù)，其中一個(gè)原因就是，要完成這項(xiàng)任務(wù)，系統(tǒng)需要記住一系列的要素——包括起始位置、終點(diǎn)位置和中間的步驟。

一旦系統(tǒng)學(xué)會(huì)了怎樣可靠地完成任務(wù)，研究人員就有可能在試驗(yàn)的不同時(shí)刻觀察到哪些節(jié)點(diǎn)是重要的。

例如，一個(gè)特定的節(jié)點(diǎn)集群可能負(fù)責(zé)編碼迷宮終點(diǎn)的位置，而其它節(jié)點(diǎn)集群則側(cè)重編碼可用的路線這一塊。

因此，研究人員就可以跟蹤哪些節(jié)點(diǎn)在任務(wù)的不同階段處于活動(dòng)狀態(tài)，以此判斷各節(jié)點(diǎn)的不同功能。

起初，系統(tǒng)不知道如何走出迷宮，甚至還會(huì)犯錯(cuò)誤。

但是，當(dāng)系統(tǒng)得到反饋后，它就會(huì)通過(guò)不斷的自我學(xué)習(xí)，逐漸明白如何更有效率地完成這項(xiàng)任務(wù)。

具體方式是，這個(gè)AI系統(tǒng)會(huì)通過(guò)改變節(jié)點(diǎn)間連接的強(qiáng)度來(lái)進(jìn)行學(xué)習(xí)，這和我們?nèi)祟愒趯W(xué)習(xí)時(shí)腦細(xì)胞之間連接強(qiáng)度會(huì)出現(xiàn)變化類似。

在自我學(xué)習(xí)過(guò)后，系統(tǒng)就會(huì)一遍又一遍地重復(fù)任務(wù)，直到最終學(xué)會(huì)如何正確執(zhí)行完所有任務(wù)。

然而，在他們?cè)O(shè)計(jì)的系統(tǒng)中，存在物理限制，這就意味著兩個(gè)節(jié)點(diǎn)之間離得越遠(yuǎn)，就越難根據(jù)反饋在兩個(gè)節(jié)點(diǎn)之間建立連接。這點(diǎn)在人腦中也是一樣——跨越較大物理距離的連接不好形成，想讓這類連接維持下來(lái)并得到強(qiáng)化，則更加難能可貴。

當(dāng)系統(tǒng)被要求在這些限制條件下執(zhí)行任務(wù)時(shí)，AI會(huì)使用一些與真實(shí)的人腦相同的技巧來(lái)解決任務(wù)。

例如，為了繞過(guò)這些限制，AI就會(huì)自發(fā)開(kāi)始發(fā)展集線器，這是一種高度連接的節(jié)點(diǎn)，作為在網(wǎng)絡(luò)中傳遞信息的管道。

而更令人感到震驚的是，單個(gè)節(jié)點(diǎn)本身的反應(yīng)特征也開(kāi)始發(fā)生變化，換句話說(shuō)，每個(gè)節(jié)點(diǎn)不是為迷宮任務(wù)的某一特定屬性（如確定目標(biāo)位置或進(jìn)行下一步驟的選擇）來(lái)編碼，而是會(huì)慢慢發(fā)展出一種靈活的編碼方案。

這就意味著，在不同的時(shí)刻，節(jié)點(diǎn)可能會(huì)對(duì)迷宮的各種屬性進(jìn)行編碼。

打個(gè)比方，同一個(gè)節(jié)點(diǎn)可以對(duì)迷宮的多個(gè)位置進(jìn)行編碼，而不需要專門的節(jié)點(diǎn)對(duì)特定位置進(jìn)行編碼。這也是復(fù)雜生物大腦的一個(gè)顯著特點(diǎn)。

論文合著者之一、劍橋大學(xué)精神病學(xué)系的Duncan Astle教授表示，這種簡(jiǎn)單的限制，是針對(duì)復(fù)雜生物體大腦的另一種特征。

稍微給一點(diǎn)簡(jiǎn)單的限制，比方說(shuō)上面提到的，物理距離較遠(yuǎn)的兩個(gè)節(jié)點(diǎn)連接起來(lái)比較困難，就會(huì)迫使AI系統(tǒng)產(chǎn)生一些相當(dāng)復(fù)雜的特征。

而研究的重點(diǎn)落腳到——這些特征是人腦等生物系統(tǒng)所共有的，也就是說(shuō)，通過(guò)AI的模擬，最終還是要去研究人腦。

研究團(tuán)隊(duì)所希望的是，他們的AI系統(tǒng)能夠開(kāi)始揭示這些制約因素是如何形成人腦之間的差異的，以及如何導(dǎo)致那些在認(rèn)知或心理健康方面有困難的人出現(xiàn)各種各樣的差異。

論文合著者之一、來(lái)自英國(guó)醫(yī)學(xué)研究中心CBU的John Duncan教授說(shuō)：這些人造大腦為我們提供了一種方法，讓我們能夠理解在真實(shí)大腦中所記錄下的那些和真實(shí)神經(jīng)元活動(dòng)相關(guān)的各種各樣的數(shù)據(jù)。

而沒(méi)有這一步，這些數(shù)據(jù)就只是數(shù)據(jù)，換句話說(shuō)，抽象。

Achterberg補(bǔ)充說(shuō)：「AI大腦能讓我們提出在實(shí)際生物系統(tǒng)中不可能解決的問(wèn)題。

我們可以訓(xùn)練該系統(tǒng)執(zhí)行任務(wù)，然后在實(shí)驗(yàn)中對(duì)我們施加的限制進(jìn)行試驗(yàn)，看看它是否開(kāi)始變得更像特定個(gè)體的大腦。」

對(duì)設(shè)計(jì)未來(lái)人工智能系統(tǒng)的影響

當(dāng)然了，除了能幫助腦科學(xué)家研究人腦，這項(xiàng)研究當(dāng)然也可以引發(fā)AI界的興趣和廣泛討論，因?yàn)樗鼈兛梢蚤_(kāi)發(fā)出更高效的系統(tǒng)，尤其是在可能存在物理限制的情況下（這時(shí)的物理限制就不是強(qiáng)加的了，而是客觀存在的限制）。

其中一位研究者表示，AI屆的研究人員一直在努力研究如何開(kāi)發(fā)出更加復(fù)雜的神經(jīng)系統(tǒng)，使其能夠以靈活高效的方式進(jìn)行編碼和執(zhí)行任務(wù)。

為了實(shí)現(xiàn)這一目標(biāo)，開(kāi)發(fā)人員們認(rèn)為神經(jīng)生物學(xué)會(huì)給他們帶來(lái)很多啟發(fā)。

打個(gè)比方，他們所創(chuàng)建的系統(tǒng)的整體布線成本，要比典型的AI系統(tǒng)低得多。

要知道，許多現(xiàn)代的AI解決方案使用的架構(gòu)只是表面上與大腦相似。研究人員說(shuō)，這項(xiàng)新的研究表明，人工智能要解決的問(wèn)題類型這件事，會(huì)影響究竟使用哪種架構(gòu)最強(qiáng)大這個(gè)問(wèn)題。

Achterberg表示，「如果你想建立一個(gè)人工智能系統(tǒng)來(lái)解決與人類相似的問(wèn)題，那么最終這個(gè)系統(tǒng)會(huì)比運(yùn)行在大型計(jì)算集群上的系統(tǒng)更接近真實(shí)的大腦，因?yàn)楹笳邔ｉT處理與人類截然不同的任務(wù)。」

「我們?cè)谌斯ご竽X中看到的架構(gòu)和結(jié)構(gòu)之所以存在，是因?yàn)樗欣谔幚硭媾R的類似大腦的特定挑戰(zhàn)。」

這意味著，AI機(jī)器人必須在有限的能源資源下處理大量不斷變化的信息，擁有與人類相差不多的大腦結(jié)構(gòu)會(huì)讓它們?cè)趫?zhí)行很多任務(wù)的時(shí)候事半功倍。

Achterberg教授進(jìn)一步說(shuō)道：部署在真實(shí)物理世界中的AI機(jī)器人的大腦可能會(huì)更像我們的大腦，因?yàn)樗鼈兏锌赡苊媾R與我們相同的任務(wù)。

它們需要不斷處理傳感器傳來(lái)的新信息，同時(shí)控制自己的身體在空間中向目標(biāo)點(diǎn)位移動(dòng)。

許多系統(tǒng)需要在電能供應(yīng)有限的情況下運(yùn)行所有相關(guān)計(jì)算。因此，AI系統(tǒng)為了平衡這些能量和資源上的限制，以及需要處理的信息量，它們就很有可能需要一個(gè)與人類大腦相類似的結(jié)構(gòu)。

目前，這項(xiàng)研究得到了醫(yī)學(xué)研究委員會(huì)、蓋茨劍橋大學(xué)、James S McDonnell基金會(huì)、Templeton世界慈善基金會(huì)和谷歌DeepMind的資金資助，相信未來(lái)這項(xiàng)研究會(huì)在腦科學(xué)和AI領(lǐng)域都產(chǎn)生重大影響。