|
|
作者：Emily Singer
機(jī)器之心編譯出品
參與：亞洲，吳攀，閏松，微胖
聯(lián)邦政府情報(bào)部門(mén)資助了一個(gè)非常有野心的新項(xiàng)目，旨在讓人工智能更加符合我們自己的腦力力量（metal powers）。由神經(jīng)學(xué)專家和計(jì)算機(jī)科學(xué)專家組成的三支隊(duì)伍將試圖搞清楚大腦是如何完成這些視覺(jué)識(shí)別壯舉，然后讓機(jī)器也能完成這樣的任務(wù)。如今的機(jī)器學(xué)習(xí)在人類擅長(zhǎng)的領(lǐng)域是失敗，通過(guò)對(duì)大腦算法和計(jì)算方式的逆向工程研究，徹底改變機(jī)器學(xué)習(xí)。
帶一個(gè)3歲小孩去動(dòng)物園，當(dāng)她看到正在吃樹(shù)葉的長(zhǎng)脖子動(dòng)物，她就本能的知道這是繪畫(huà)書(shū)上的長(zhǎng)頸鹿。表面看起來(lái)非常容易的事情，實(shí)際上相當(dāng)復(fù)雜。書(shū)上的卡通繪畫(huà)只是簡(jiǎn)單線條畫(huà)出的刻板輪廓，而活生生的動(dòng)物有顏色、肌理、動(dòng)作和光線。從不同的角度看，會(huì)呈現(xiàn)出不同形狀。
人類非常擅長(zhǎng)完成這種任務(wù)。只需少量樣本，我們能非常輕松抓住一件事物最重要的特征，并把這些特征應(yīng)用到不熟悉的樣例中。另一方面，計(jì)算機(jī)通常需要瀏覽一個(gè)完整的長(zhǎng)頸鹿（處在許多背景中、不同角度觀察到的長(zhǎng)頸鹿）數(shù)據(jù)庫(kù)，從而學(xué)習(xí)正確的識(shí)別這種生物。
視覺(jué)識(shí)別，是眾多人類強(qiáng)于計(jì)算機(jī)的領(lǐng)域之一。從數(shù)據(jù)洪流中尋找關(guān)聯(lián)信息、解決非結(jié)構(gòu)的難題、無(wú)監(jiān)督學(xué)習(xí)（比如，小孩玩積木時(shí)學(xué)習(xí)重力知識(shí)）這些領(lǐng)域也是我們更加擅長(zhǎng)的�！溉祟愂呛玫枚嗟耐ú拧箍突仿〈髮W(xué)的計(jì)算機(jī)科學(xué)和神經(jīng)科學(xué)專家Tai Sing Lee說(shuō)，「我們的思考更加靈活，并能預(yù)測(cè)、想象甚至創(chuàng)造未來(lái)的事件。」
聯(lián)邦政府情報(bào)部門(mén)資助了一個(gè)非常有野心的新項(xiàng)目，旨在讓人工智能更加符合我們自己的腦力力量（metal powers）。由神經(jīng)學(xué)專家和計(jì)算機(jī)科學(xué)專家組成的三支隊(duì)伍將試圖搞清楚大腦是如何完成這些視覺(jué)識(shí)別壯舉，然后讓機(jī)器也能完成這樣的任務(wù)。牽頭IARPA(Intelligence Advanced Research Projects Activity）項(xiàng)目的Jacob Vogelstein說(shuō)，「如今的機(jī)器學(xué)習(xí)在人類擅長(zhǎng)的領(lǐng)域是失敗的。我們想要通過(guò)對(duì)大腦算法和計(jì)算方式的逆向工程研究，徹底改變機(jī)器學(xué)習(xí)�！�
時(shí)間短�，F(xiàn)在，每一團(tuán)隊(duì)正從史無(wú)前例的細(xì)節(jié)上，為一塊皮質(zhì)建模。與此同時(shí)，團(tuán)隊(duì)正在研發(fā)算法，部分基于他們所學(xué)的內(nèi)容。到明年夏季，這些算法中的每一個(gè)都會(huì)被展示一個(gè)陌生事物的實(shí)例，然后要求算法從未標(biāo)記數(shù)據(jù)庫(kù)中數(shù)以千計(jì)的圖片中，選出這一實(shí)例的例子。西雅圖艾倫腦科學(xué)研究所主席兼首席科學(xué)家Christof Kocha也正在與其中一個(gè)團(tuán)隊(duì)合作，他說(shuō)，「時(shí)間很緊迫�！�
Koch 和他的同事現(xiàn)在正在給一小塊大腦——一百萬(wàn)立方微米，總計(jì)是罌粟種子體積的 五百分之一——?jiǎng)?chuàng)建完整的連接圖（wiring diagram）。去年六月發(fā)表的成果給出了當(dāng)時(shí)最廣闊的完整連接圖，大約花了六年時(shí)間才完整，如今正在繪制中的線路圖規(guī)模更大。
在為期五年的 IARPA 項(xiàng)目——被稱為來(lái)自大腦皮層網(wǎng)絡(luò)的機(jī)器智能（Machine Intelligence from Cortical Networks (http://www.iarpa.gov/index.php/research-programs/microns),MICrONS）——結(jié)束之前，研究員們旨在繪制出一立方毫米大腦皮層。這一極小部分擁有大約 100,000 個(gè)神經(jīng)元，300萬(wàn)到 1500萬(wàn)神經(jīng)元連接，或者說(shuō)是突觸， 如果將神經(jīng)線路全部解開(kāi)，然后首位相連的話，神經(jīng)連接曼哈頓的之寬足以媲美曼哈頓的寬度。
沒(méi)有人嘗試過(guò)以這樣的規(guī)模重建一部分大腦組織。但是，規(guī)模更小一些的努力已經(jīng)表明，這些繪制圖能為我們提供關(guān)于皮質(zhì)內(nèi)部運(yùn)作的洞見(jiàn)。在一篇發(fā)表在三月《 Nature 》上的論文中，與 Koch 的團(tuán)隊(duì)合作的哈佛大學(xué)神經(jīng)科學(xué)專家 Wei-Chung Allen Lee 與其合作者共同繪制出了 一張50 個(gè)神經(jīng)元以及1000多個(gè)神經(jīng)元伙伴的連接圖。將這份連接圖與大腦中每個(gè)神經(jīng)元如何工作的信息——比如，有些對(duì)豎線輸入作出回應(yīng)——進(jìn)行比較，他們推導(dǎo)了出皮層該部分神經(jīng)元解剖學(xué)連接的簡(jiǎn)單規(guī)則。他們發(fā)現(xiàn)，有相似功能的神經(jīng)元更易于連接，而且彼此連接的規(guī)模大于與其他類型神經(jīng)元的連接。
盡管 MICrONS 的暗含目標(biāo)是技術(shù)性的——除了其他方面，IARPA 資助那些最終有可能為智能社區(qū)帶來(lái)數(shù)據(jù)分析工具的研究——但是，對(duì)大腦的新而深刻的理解將必須放在第一位。貝勒醫(yī)學(xué)院神經(jīng)學(xué)家 Andreas Tolias 是 Koch 的團(tuán)隊(duì)的共同領(lǐng)導(dǎo)，他將我們目前對(duì)皮質(zhì)的知識(shí)比作是一張模糊的照片。他希望 MICrONS 計(jì)劃的空前規(guī)模將幫助我們讓「這張照片」更清晰，揭示出管理我們神經(jīng)回路的更復(fù)雜的規(guī)則。他說(shuō)，如果不了解所有的組成部分，「也許我們就錯(cuò)失了這種結(jié)構(gòu)的美。」
大腦的處理單元
大腦表面覆蓋的復(fù)雜褶皺形成了大腦皮質(zhì)，一片披薩大小的組織揉成一團(tuán)以適應(yīng)我們的頭骨大小。它在很多方面都是大腦的微處理器。這片大約厚 3 毫米的組織是由一系列的重復(fù)模塊構(gòu)成的，這些模塊類似于微電路，即計(jì)算機(jī)芯片中的邏輯門(mén)陣列。每一個(gè)模塊都由大約 100,000 個(gè)神經(jīng)元排列成復(fù)雜的互聯(lián)細(xì)胞網(wǎng)絡(luò)構(gòu)成。證據(jù)表明，在整個(gè)皮質(zhì)中，這些模塊的基本結(jié)構(gòu)是大致相同的。但是，大腦不同區(qū)域的模塊有各自不同的特定目的，如視覺(jué)、運(yùn)動(dòng)或聽(tīng)覺(jué)。
領(lǐng)導(dǎo)一支 MICrONS 團(tuán)隊(duì)的 Andreas Tolias（左）與他的學(xué)生 R.J. Cotton。
科學(xué)家對(duì)這些模塊的樣子和工作方式只有一個(gè)大概的認(rèn)識(shí)。要在數(shù)十或數(shù)百個(gè)神經(jīng)元的更小的尺度上研究大腦，他們受到了很大的限制。而為追蹤數(shù)千個(gè)神經(jīng)元的形狀、行為和連接而設(shè)計(jì)的新技術(shù)終于讓研究者可以分析模塊內(nèi)的細(xì)胞彼此交互的方式；系統(tǒng)中一個(gè)部分的活動(dòng)可能會(huì)怎樣引發(fā)或抑制另一部分的活動(dòng)�！赣惺芬詠�(lái)第一次，我們有能力審查這些模塊，而不只是猜測(cè)其中的內(nèi)容�！筕ogelstein 說(shuō)，「對(duì)于其內(nèi)部有什么，不同的團(tuán)隊(duì)有不同的猜測(cè)�！�
這些研究者的重點(diǎn)是皮質(zhì)中處理視覺(jué)的部分，這是神經(jīng)科學(xué)家已經(jīng)集中探索過(guò)的和計(jì)算機(jī)科學(xué)家長(zhǎng)時(shí)間來(lái)一直在努力模仿的一個(gè)感官系統(tǒng)。「視覺(jué)似乎很容易——只是睜開(kāi)眼睛而已——但教會(huì)計(jì)算機(jī)做同樣的事情卻很艱難�！构鸫髮W(xué)神經(jīng)科學(xué)家 David Cox 說(shuō)，他也領(lǐng)導(dǎo)著一支 IARPA 研究團(tuán)隊(duì)。
每一個(gè)團(tuán)隊(duì)以有關(guān)視覺(jué)工作方式的相同基本觀念作為開(kāi)始，一個(gè)已有幾十年歷史的被稱為分析-綜合（analysis-by-synthesis）的理論。按照這個(gè)思路，大腦做出關(guān)于不久的將來(lái)即將發(fā)生的事情的預(yù)測(cè)，然后將這些預(yù)測(cè)和其所見(jiàn)到的內(nèi)容進(jìn)行調(diào)和。這一方法的力量在于它的效率——它所需的計(jì)算比隨時(shí)間連續(xù)重建每一時(shí)刻所需的計(jì)算更少。
大腦可能以任何數(shù)量的不同方式執(zhí)行這種分析，所以，每一個(gè)團(tuán)隊(duì)都在探索不同的可能。Cox 的團(tuán)隊(duì)將大腦看作是某種物理引擎，帶有已經(jīng)存在的用于模擬世界應(yīng)該具有的模樣的物理模型。Tai Sing Lee 與 George Church 聯(lián)合領(lǐng)導(dǎo)的團(tuán)隊(duì)的理論是大腦會(huì)構(gòu)建一個(gè)組件庫(kù)——物體和人的零碎信息——并且學(xué)習(xí)如何將這些組件組合到一起的規(guī)則。例如，樹(shù)葉往往出現(xiàn)在樹(shù)枝上。Tolias 的研究組研究的是一種更為數(shù)據(jù)驅(qū)動(dòng)的方法，其中大腦為其所生活的世界創(chuàng)建統(tǒng)計(jì)預(yù)期。他的團(tuán)隊(duì)將為回路中不同組分學(xué)習(xí)交流的方式測(cè)試各種假說(shuō)。
這三個(gè)研究團(tuán)隊(duì)都將監(jiān)測(cè)目標(biāo)大腦塊中數(shù)萬(wàn)個(gè)神經(jīng)元的活動(dòng)。然后，他們會(huì)使用不同方法創(chuàng)建這些細(xì)胞的連接圖。例如， Cox 的團(tuán)隊(duì)會(huì)將大腦組織切割成比頭發(fā)絲還薄的切片，然后使用電子顯微鏡分析每一片切片。之后該團(tuán)隊(duì)會(huì)通過(guò)計(jì)算方式將每一個(gè)截面縫合到一起，創(chuàng)建一個(gè)密密麻麻的包含數(shù)百萬(wàn)個(gè)穿過(guò)皮質(zhì)的復(fù)雜路徑的神經(jīng)線路的三維圖。
有了大腦線路圖和活動(dòng)模式之后，每一個(gè)團(tuán)隊(duì)都將嘗試梳理出一些支配大腦回路的基本規(guī)則。然后他們會(huì)將這些規(guī)則編程為一個(gè)仿真模型，并檢測(cè)該仿真模型和真實(shí)大腦的匹配程度。
Tolias 及其合作者已經(jīng)領(lǐng)略到一些這類方法可以實(shí)現(xiàn)的成果。在去年 11 月發(fā)表于 Science 的一篇論文中，他們得到了 11,000 個(gè)神經(jīng)元對(duì)之間的連接圖，并在這一過(guò)程中揭示了五種新類型的神經(jīng)元�！肝覀�?nèi)匀粵](méi)有構(gòu)成皮質(zhì)的組分的完整清單，也不知道這些單獨(dú)的細(xì)胞看起來(lái)什么樣、它們是什么連接的�！筀och 說(shuō)，「那就是（Tolias）已經(jīng)在開(kāi)始做的事情�！�
Andreas Tolias和合作者繪制出了成對(duì)神經(jīng)元中的連接并記錄下它們的放電活動(dòng)。五個(gè)神經(jīng)元（上部靠左）的復(fù)雜解剖可以被歸結(jié)為一個(gè)簡(jiǎn)單的回路圖標(biāo)（上部靠右）。將電流注入神經(jīng)元2，能讓神經(jīng)元放電，引發(fā)兩個(gè)下游的細(xì)胞發(fā)生電子變化，即神經(jīng)元1 和 5（底部）。
在數(shù)以千計(jì)的神經(jīng)連接中，Tolia 的團(tuán)隊(duì)揭開(kāi)了三條支配細(xì)胞如何連接的普遍規(guī)則：一些神經(jīng)元主要與他們自己同類神經(jīng)元交流；另一些避開(kāi)自己的同類，主要與其他類別的神經(jīng)元對(duì)話；第三組只與特定少數(shù)神經(jīng)元對(duì)話。（Tolia 的團(tuán)隊(duì)是基于神經(jīng)解剖學(xué)而不是功能來(lái)定義細(xì)胞，Wei Lee 的團(tuán)隊(duì)則用功能來(lái)定義細(xì)胞。）運(yùn)用這三條連接規(guī)則，研究員們能相當(dāng)準(zhǔn)確地模擬神經(jīng)回路。「現(xiàn)在的挑戰(zhàn)是解決這些連接規(guī)則在算法上意味著什么�！筎olia 說(shuō)，「它們是如何計(jì)算的？」
基于真實(shí)神經(jīng)元的神經(jīng)網(wǎng)絡(luò)
類腦人工智能不是新鮮觀點(diǎn)。所謂的神經(jīng)網(wǎng)絡(luò)，也就是模仿大腦基本結(jié)構(gòu)，在二十世紀(jì)八十年代紅極一時(shí)。但是那時(shí)，這一領(lǐng)域缺乏計(jì)算能力和訓(xùn)練數(shù)據(jù)，而這是算法變得真正有效所需要的。畢竟，當(dāng)時(shí)網(wǎng)上所有標(biāo)記為貓的數(shù)百萬(wàn)圖片無(wú)法得以有效利用。盡管神經(jīng)網(wǎng)絡(luò)已經(jīng)享受到偉大復(fù)興——基于神經(jīng)網(wǎng)絡(luò)算法的語(yǔ)音和面孔識(shí)別程序已快速成為我們?nèi)粘Ｉ畹囊徊糠�，而�?AlphaGo 最近打敗了世界頂級(jí)圍棋選手——但是，人工神經(jīng)網(wǎng)絡(luò)用于更改它們連接的規(guī)則，幾乎肯定不同于大腦采用的規(guī)則。
當(dāng)代神經(jīng)網(wǎng)絡(luò)「是基于我們?cè)谏鲜兰o(jì)六十 年代掌握的腦知識(shí)�！惯@是 Terry Sejnowski 的原話。他是圣地亞哥索爾克研究所的計(jì)算神經(jīng)科學(xué)家，和多倫多大學(xué)計(jì)算機(jī)科學(xué)家Geoffrey Hinton 共同開(kāi)發(fā)了早期神經(jīng)網(wǎng)絡(luò)算法�！赣嘘P(guān)大腦如何組織的知識(shí)正在爆炸式增長(zhǎng)�！�
例如，如今的神經(jīng)網(wǎng)絡(luò)包含一個(gè)前饋結(jié)構(gòu)，在這里信息通過(guò)一系列層級(jí)從輸入流向輸出。每一層被訓(xùn)練用來(lái)識(shí)別某種特征，比如，眼睛或胡須。然后，分析結(jié)果向前輸送，接下來(lái)的每一層對(duì)數(shù)據(jù)進(jìn)行更加復(fù)雜的計(jì)算。，電腦程序就是用這樣的辦法最終將一系列彩色像素識(shí)別為貓。
但是，這種前饋結(jié)構(gòu)漏掉了生物系統(tǒng)中的關(guān)鍵組成部分：反饋，既有單層內(nèi)的反饋，又有從高級(jí)層向低級(jí)層的反饋。在真正的大腦里，一層皮質(zhì)里神經(jīng)元不僅與它們的鄰近相連，也與位于其上、下層的神經(jīng)元相連，創(chuàng)建出錯(cuò)綜復(fù)雜的網(wǎng)絡(luò)環(huán)路。「反饋連接是皮層網(wǎng)絡(luò)機(jī)器極其重要的一部分�！� Sejnowski 說(shuō)，「反饋和前饋連接一樣多。」
神經(jīng)科學(xué)家尚未精確理解反饋回路在做什么，雖然他們知道，在我們指揮注意力的能力方面，這些反饋回路很重要。例如，它們幫助我們聽(tīng)到手機(jī)上的聲音，與此同時(shí)隔絕讓我們分心的城市噪音。分析-綜合理論的部分吸引力在于，為所有反復(fù)出現(xiàn)的連接（recurrent connections）提供了理由。它們幫助大腦比較預(yù)期與現(xiàn)實(shí)。
Microns 研究員打算破解管理反饋環(huán)路的規(guī)則——比如，這些環(huán)路連接了哪些細(xì)胞，什么激發(fā)了它們的活動(dòng)，這些活動(dòng)又是如何影響環(huán)路輸出的——然后將這些規(guī)則翻譯成算法。Tai Sing Lee 說(shuō)，「現(xiàn)在，機(jī)器缺乏的是想象力和內(nèi)省。我相信，反饋回路能讓我們進(jìn)行許多不同層次的想象和反省的�！�
也許，反饋回路將某天賦予機(jī)器一些（我們認(rèn)為）人類獨(dú)有的特質(zhì)�！溉绻阍谝粋�(gè)深度網(wǎng)絡(luò)中使用『反饋回路』，你就能從一種具有有某種下意識(shí)反應(yīng)——給出輸入，獲取輸出——的神經(jīng)網(wǎng)絡(luò)，發(fā)展到一種更加靈活的網(wǎng)絡(luò)，它能開(kāi)始思考輸入并測(cè)試假設(shè)，」Sejnowski說(shuō)，目前他擔(dān)任奧巴馬總統(tǒng)1億美元BRAIN Initiative的顧問(wèn)，Microns項(xiàng)目也是這個(gè)計(jì)劃的一部分。
通向意識(shí)的線索
就像所有的IARPA項(xiàng)目，Microns的項(xiàng)目風(fēng)險(xiǎn)高。研究人員大規(guī)模繪制神經(jīng)元活動(dòng)和線路需要技術(shù)，目前也存在這樣的技術(shù)，但是，之前沒(méi)有人以這種規(guī)模運(yùn)用過(guò)這些技術(shù)。研究人員面臨的挑戰(zhàn)之一就是如何處理研究產(chǎn)生的海量數(shù)據(jù)量——大腦每立方毫米就有1到2拍字節(jié)。團(tuán)隊(duì)可能需要開(kāi)發(fā)出新的機(jī)器學(xué)習(xí)工具，分析所有數(shù)據(jù)，一個(gè)相當(dāng)具有諷刺意味的它自己的反饋環(huán)路。
從一小塊大腦學(xué)到的東西是否將證明是 大腦更大天賦的例證，也不清楚。Sejnowski說(shuō)，「大腦并不僅僅是一片皮質(zhì)，」「大腦是數(shù)以百計(jì)專司各種不同功能系統(tǒng)（的集合。）」
大腦皮質(zhì)本身由大致相同的重復(fù)著的單元組成。但是，大腦的另一部分可能扮演完全不同的功能。比如，Alpha Go算法采用的加強(qiáng)學(xué)習(xí)就與基底神經(jīng)節(jié)（basal ganglia）——與成癮有關(guān)的大腦部分——活動(dòng)過(guò)程有關(guān)�！溉绻阆Ｍ斯ぶ悄艹胶�(jiǎn)單的模式識(shí)別，需要很多不同的功能部分，」Sejnowksi說(shuō)。
然而，項(xiàng)目要成功，就不能止于分析智能數(shù)據(jù)。一個(gè)成功的算法將揭開(kāi)大腦如何理解世界這一重要真相。特別是，它會(huì)有助于確認(rèn)大腦的確是通過(guò)分析—綜合運(yùn)行的——它會(huì)將自己對(duì)世界的預(yù)測(cè)與通過(guò)我們感官輸入的數(shù)據(jù)進(jìn)行比較。它將揭示出，意識(shí)的關(guān)鍵成分是永遠(yuǎn)變化著的想象與感知的混合物 �！杆且环N想象，允許我們預(yù)測(cè)未來(lái)發(fā)生的事情，并使用這一預(yù)測(cè)指導(dǎo)我們的行動(dòng)，」Tai Sing Lee說(shuō)。通過(guò)打造思考機(jī)器，這些研究人員希望揭開(kāi)思維自身之謎。
本文由機(jī)器之心編譯 |
|
QQ好友和群
QQ空間
騰訊微博
騰訊朋友
收藏
淘帖
頂
踩
