計(jì)算神經(jīng)科學(xué)能否成為未來(lái)人工智能的發(fā)展方向？

基本概念

人工智能：AI(Artificial Intelligence)是研究使計(jì)算機(jī)來(lái)模擬人的某些思維過(guò)程和智能行為（如學(xué)習(xí)、推理、思考、規(guī)劃等）的學(xué)科，主要包括計(jì)算機(jī)實(shí)現(xiàn)智能的原理、制造類(lèi)似于人腦智能的計(jì)算機(jī)，使計(jì)算機(jī)能實(shí)現(xiàn)更高層次的應(yīng)用。人工智能是計(jì)算機(jī)科學(xué)、心理學(xué)、哲學(xué)和語(yǔ)言學(xué)等多學(xué)科的交叉，其范圍已遠(yuǎn)遠(yuǎn)超出了計(jì)算機(jī)科學(xué)的范疇，從思維觀點(diǎn)看，人工智能不僅限于邏輯思維，要考慮形象思維、靈感思維才能促進(jìn)人工智能的突破性的發(fā)展。

神經(jīng)科學(xué)：神經(jīng)科學(xué)指尋求解釋精神活動(dòng)的生物學(xué)機(jī)制，神經(jīng)科學(xué)尋求在個(gè)體生長(zhǎng)發(fā)育過(guò)程中的神經(jīng)回路感知世界、反應(yīng)生成、行為實(shí)現(xiàn)，以及從記憶中尋找曾經(jīng)感知過(guò)的知覺(jué)、探尋的知覺(jué)對(duì)個(gè)體的影響等機(jī)理，其復(fù)雜程度遠(yuǎn)超過(guò)任何人們?cè)谄渌飳W(xué)領(lǐng)域中曾經(jīng)面對(duì)的問(wèn)題。

AI與神經(jīng)科學(xué)的研究核心

人工智能是研究開(kāi)發(fā)能夠模擬、延伸和擴(kuò)展人類(lèi)智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門(mén)新的技術(shù)科學(xué)，研究對(duì)象是智能操控，現(xiàn)階段研究方法上是側(cè)重于對(duì)復(fù)雜現(xiàn)象進(jìn)行模擬仿真的“計(jì)算科學(xué)”。

神經(jīng)科學(xué)更多地側(cè)重于生物學(xué)意義上的神經(jīng)活動(dòng)的規(guī)律，解析包括思維、情感、智能等在內(nèi)的高級(jí)神經(jīng)活動(dòng)的發(fā)生機(jī)制，而意識(shí)起源問(wèn)題，則是神經(jīng)科學(xué)的終極目標(biāo)，研究方法上神經(jīng)科學(xué)是以自然現(xiàn)象歸納為主的“實(shí)驗(yàn)科學(xué)”。

AI與神經(jīng)科學(xué)的聯(lián)系

對(duì)于神經(jīng)科學(xué)與人工智能的關(guān)系，我們可以以一個(gè)閉環(huán)的水源和水流的概念去理解。人工智能的興起，一方面源于科學(xué)技術(shù)的發(fā)展，另一方面則受神經(jīng)科學(xué)領(lǐng)域成果的影響，在兩者的關(guān)系之中，人工智能興起于神經(jīng)科學(xué)，并且人工智能的發(fā)展促進(jìn)了神經(jīng)科學(xué)領(lǐng)域的研究，而神經(jīng)科學(xué)領(lǐng)域的進(jìn)步又促進(jìn)了人工智能的發(fā)展，在目前的技術(shù)層面下，兩者形成一個(gè)閉環(huán)的發(fā)展關(guān)系，相互滋養(yǎng)、相互發(fā)展進(jìn)步。

伴隨著腦與神經(jīng)科學(xué)、認(rèn)知科學(xué)的進(jìn)展使得人們?cè)谀X區(qū)、神經(jīng)微環(huán)路、神經(jīng)元等不同尺度觀測(cè)的各種認(rèn)知任務(wù)中，獲取腦組織的部分活動(dòng)數(shù)據(jù)已經(jīng)實(shí)現(xiàn)，獲知人腦信息處理過(guò)程也有了數(shù)據(jù)依據(jù)，并且多學(xué)科交叉的實(shí)驗(yàn)研究得出的人腦工作機(jī)制更具可靠性。因此，腦科學(xué)的發(fā)展，海量實(shí)驗(yàn)數(shù)據(jù)的有力支撐，有望為機(jī)器學(xué)習(xí)、類(lèi)腦計(jì)算的突破提供現(xiàn)實(shí)依據(jù)以參考借鑒。

在神經(jīng)科學(xué)基礎(chǔ)研究階段，人工智能可以輔助研究人員解析復(fù)雜的腦神經(jīng)信號(hào)、腦神經(jīng)圖譜實(shí)驗(yàn)數(shù)據(jù)，構(gòu)建和模擬大腦模型系統(tǒng)等。在轉(zhuǎn)化應(yīng)用階段，人工智能還能加速腦科學(xué)成果的應(yīng)用，例如大腦疾病診斷與新療法成果的臨床轉(zhuǎn)化等。人工智能對(duì)神經(jīng)科學(xué)發(fā)展的反哺或反饋?zhàn)饔靡彩强陀^存在的。

元學(xué)習(xí)——AI與神經(jīng)科學(xué)的緊密結(jié)合

機(jī)器學(xué)習(xí)的主要優(yōu)勢(shì)在于能夠識(shí)別復(fù)雜數(shù)據(jù)中的模式，尤其在涉及到分析人類(lèi)的思想時(shí)。大腦發(fā)出的信號(hào)真的很復(fù)雜。隨著機(jī)器學(xué)習(xí)的推進(jìn)，神經(jīng)科學(xué)家正在破解數(shù)十億個(gè)大腦神經(jīng)元協(xié)同工作的秘密。例如：功能性磁共振成像通過(guò)檢測(cè)血液流動(dòng)的變化來(lái)測(cè)量大腦的活動(dòng)，它每秒都能生成大腦活動(dòng)的高維快照。使用機(jī)器學(xué)習(xí)來(lái)分析數(shù)據(jù)有助于發(fā)現(xiàn)大腦活動(dòng)的方式，從而加快研究工作。

在機(jī)器學(xué)習(xí)里，我們會(huì)使用某個(gè)場(chǎng)景的大量數(shù)據(jù)來(lái)訓(xùn)練模型，比如：訓(xùn)練一個(gè)可以識(shí)別錦鯉圖像的模型，我們需要大量的關(guān)于錦鯉的數(shù)據(jù)集，通過(guò)特定的算法程序?qū)崿F(xiàn)對(duì)錦鯉圖像的識(shí)別，然而一旦當(dāng)場(chǎng)景發(fā)生改變，比如拿著一個(gè)可以識(shí)別錦鯉模型想要去識(shí)別海豹，模型就需要根據(jù)新的數(shù)據(jù)集重新訓(xùn)練。因此，元學(xué)習(xí)的概念應(yīng)運(yùn)而生。

元學(xué)習(xí)(Meta Learning)，具體指的是learn to learn，Meta Learning希望使模型獲取一種“學(xué)會(huì)學(xué)習(xí)”的能力。使其可以在獲取已有“知識(shí)”的基礎(chǔ)上快速學(xué)習(xí)新的任務(wù)。如：

讓Alphago(下圍棋的)迅速學(xué)會(huì)下象棋讓一個(gè)向日葵圖片分類(lèi)器，迅速具有分類(lèi)其他物體的能力在機(jī)器學(xué)習(xí)中，訓(xùn)練單位是一條條數(shù)據(jù)，通過(guò)數(shù)據(jù)來(lái)對(duì)模型進(jìn)行優(yōu)化；

在元學(xué)習(xí)中，訓(xùn)練單位分兩個(gè)層級(jí)，第一層訓(xùn)練單位是一種學(xué)習(xí)方法，元學(xué)習(xí)中要準(zhǔn)備許多學(xué)習(xí)方法來(lái)進(jìn)行學(xué)習(xí)，第二層的訓(xùn)練單位才是對(duì)應(yīng)的一條數(shù)據(jù)。

現(xiàn)在AI的發(fā)展在數(shù)據(jù)層面的訓(xùn)練模型已經(jīng)發(fā)展到了一定的高度，而學(xué)習(xí)方法層面訓(xùn)練模型構(gòu)造——元學(xué)習(xí)技術(shù)突破的難點(diǎn)，就和人類(lèi)的神經(jīng)科學(xué)發(fā)展密切相關(guān)，人類(lèi)同一類(lèi)型下的事物就會(huì)比較容易上手，比如：你會(huì)JAVA編程，掌握了編程的基本思想，熟悉了面向?qū)ο蟮幕靖拍睿敲瓷鲜諴ython將會(huì)比純新手入門(mén)Python要容易得多，但現(xiàn)在的深度學(xué)習(xí)模型在遇到類(lèi)似問(wèn)題的時(shí)候，即使是很類(lèi)似的情況也需要從 0 開(kāi)始重新學(xué)習(xí)！這一人類(lèi)智能和 AI 的差異就導(dǎo)致了 meta-learning 的產(chǎn)生。

現(xiàn)在的元學(xué)習(xí)大致可以分為以下 4 類(lèi)：

基于優(yōu)化的：其中最火的就是 MAML，還有之前的 Meta-LSTM 等等。基于度量的：包括原型網(wǎng)絡(luò)，孿生網(wǎng)絡(luò)，匹配網(wǎng)絡(luò)，關(guān)系網(wǎng)絡(luò)。基于模型的：利用 RNN 網(wǎng)絡(luò)和外部存儲(chǔ)來(lái)實(shí)現(xiàn)“記憶”基于 GNN即便元學(xué)習(xí)現(xiàn)在還處于發(fā)展初期，但機(jī)器學(xué)習(xí)對(duì)于神經(jīng)科學(xué)領(lǐng)域的發(fā)展卻已經(jīng)逐步進(jìn)入我們的生活。機(jī)器學(xué)習(xí)的主要優(yōu)勢(shì)在于能夠識(shí)別復(fù)雜數(shù)據(jù)中的模式，尤其在涉及到分析人類(lèi)的思想時(shí)，大腦發(fā)出的信號(hào)十分抽象，所需要采集的數(shù)據(jù)數(shù)量十分龐大，并且之間的關(guān)系十分復(fù)雜。隨著機(jī)器學(xué)習(xí)的推進(jìn)，神經(jīng)科學(xué)家正在破解數(shù)十億個(gè)大腦神經(jīng)元協(xié)同工作的秘密。例如：功能性磁共振成像通過(guò)檢測(cè)血液流動(dòng)的變化來(lái)測(cè)量大腦的活動(dòng)，它每秒都能生成大腦活動(dòng)的高維快照。使用機(jī)器學(xué)習(xí)來(lái)分析數(shù)據(jù)有助于發(fā)現(xiàn)大腦活動(dòng)的方式，從而加快研究工作。

前景

人工智能與神經(jīng)科學(xué)的發(fā)展可能會(huì)經(jīng)過(guò)以下三個(gè)階段：

第一個(gè)階段是在人工智能初期發(fā)展的影響下，解決一些神經(jīng)科學(xué)基礎(chǔ)實(shí)驗(yàn)數(shù)據(jù)的處理，進(jìn)而加快神經(jīng)科學(xué)領(lǐng)域發(fā)展進(jìn)程，在這一階段人工智能和大數(shù)據(jù)技術(shù)是神經(jīng)科學(xué)發(fā)展的“加速器”年，等到神經(jīng)科學(xué)將迎來(lái)第一輪重大突破，在神經(jīng)感知和神經(jīng)認(rèn)知理解方面出現(xiàn)突破性成果時(shí)，必然反哺、革新原有人工智能的算法基礎(chǔ)和元器件基礎(chǔ)，進(jìn)而人類(lèi)社會(huì)進(jìn)入實(shí)質(zhì)性類(lèi)腦智能研究階段。第二個(gè)階段等待神經(jīng)科學(xué)迎來(lái)第二輪重大突破之時(shí)在情感、意識(shí)理解方面出現(xiàn)顛覆性成果，開(kāi)發(fā)出一個(gè)多尺度、整合、可驗(yàn)證的大腦模型理論，類(lèi)腦智能進(jìn)入全新階段，并將推動(dòng)人腦的超生物進(jìn)化，神經(jīng)科學(xué)和類(lèi)腦智能學(xué)科融為一體，人類(lèi)社會(huì)全面進(jìn)入強(qiáng)人工智能時(shí)代。第三個(gè)階段，隨著技術(shù)的不斷成熟，圍繞神經(jīng)科學(xué)和人工智能，特別是強(qiáng)人工智能，開(kāi)始會(huì)衍生出許多科學(xué)理論和社會(huì)與倫理方面的問(wèn)題。

人工智能目前存在的問(wèn)題源于對(duì)神經(jīng)科學(xué)的了解程度有限，限制了設(shè)計(jì)中并無(wú)法充分考慮真實(shí)的大腦情況。但如果通過(guò)對(duì)人腦的逆向工程來(lái)揭示大腦的秘密，或許就能更好地設(shè)計(jì)出能同時(shí)處理多重信息流的計(jì)算設(shè)備，在高新技術(shù)計(jì)算模型的更新迭代之下，在神經(jīng)科學(xué)領(lǐng)域的數(shù)據(jù)采集、數(shù)據(jù)處理下，在極大程度上能很好地幫助研究人員快速、有效、全面地掌握人腦神經(jīng)的規(guī)律，進(jìn)而顛覆性加速神經(jīng)科學(xué)領(lǐng)域的發(fā)展，并且這個(gè)發(fā)展速度，是隨著底層技術(shù)的不斷提升而提升的。