模仿大脑的结构制造AI地图,美国已经有大神在做了

GAIR

今年夏天,雷锋网将在深圳举办一场盛况空前的“全球人工智能与机器人创新大会”(简称GAIR)。大会现场,谷歌,DeepMind,Uber,微软等巨头的人工智能实验室负责人将莅临深圳,向我们零距离展示国外人工智能震撼人心、撬动地球的核心所在。在此之前雷锋网将网罗全国顶尖的人工智能和机器人专家和各大公司的首席科学家,同这些国际大拿同台交流。如果你不想错过这个机会,请用邮件直戳我心,lizongren@leiphone.com

图片来源:Greg Dunn。

带个三岁的小孩去动物园,她凭直觉就知道这个在吃树叶的长脖子生物就是她图画书中看到的叫做“长颈鹿”的动物。这看起来很平常,但其实非常了不起。图画书里的长颈鹿是一个单线条组成的静态轮廓,而在动物园所见的则是一个充满颜色、质感和动作的活生生的动物。从每一个不同的角度看,它都变成不同的形状和样子。但小孩还是能把它认出来。

人类非常擅长这类项目。我们可以轻松地从几个例子中,领会到一个物品的重要特征,然后在陌生的情景下运用出来。而电脑呢,则需要从非常多的长颈鹿数据库中进行分类,研究从不同的环境和角度,来学习如何准确识别这种动物。

视觉识别是人类胜过电脑的众多领域之一。我们还更擅长在大量的数据中找到相关信息,更擅长解决非结构性问题,更擅长自主学习,就像婴儿玩着积木就理解了重力。“人类更擅长总结。“卡内基梅隆大学的电脑科学家和神经科学家Tai Sing Lee说,“我们更具有灵活性思维,我们可以预计、相信和创造未来事件。”

一种新的机器学习方式

一项由美国联邦政府智能军队投资的宏伟新项目,计划让人工智能与我们自己的智能更加靠近一些。三支由神经科学家和计算机科学家组成的团队将研究大脑如何实现视觉识别等伟业,然后让机器照搬学习。“如今,人类擅长的事情机器搞不定。”Jacob Vogelstein说,他领导智能高级研究项目活动(IARPA),“我们希望通过将大脑的算法和计算能力逆向工程,革新机器学习领域。”

时间不多。每个团队都以前所未有的细节度,模拟大脑皮层的一个模块。各团队基于自己的发现,联合开发算法。明年夏天之前,每一个算法都将面对一个陌生物体,并需要在几千个未标记的数据库中选出该物体的例子。“这是个非常紧张的时间表,”Christof Koch说,他是西雅图艾伦大脑研究院的主席和首席科学家,正在与其中一支队伍合作研究。

Koch和同事正在建造一个大脑小方块的完整连线图——一百万立方微米,相当于二十分之一个罂粟种子的大小。这已经比现有最大的完整连线图都大很多了,现有的连线图去年六月发布,用了大约六年时间完成。

在5年IARPA项目的最后——又称为“皮层网络而来的机器智能“(Micron)——研究员打算绘制一张一立方毫米大脑皮层的地图。这一小小的部分包含了10万个神经元,300万到一千五百万个神经连接,或者说突触,以及一张大到可以有曼哈顿岛那么宽的连线图,如果把图的一端铺展开到另一端。

从未有人曾尝试重建如此规模的大脑部分。但是小规模的研究已经显示出,此类大脑地图可以提供大脑皮层内部结构的信息。在3月《自然》杂志发布的一篇论文,与Koch团队合作的一位哈佛大学神经科学家Wei-Chung Allen Lee及其同事绘制了一张图,包括了50个神经元和超过1000个它们的伙伴。通过将这张地图和这些神经元在大脑中的功能配对——例如,有一些神经元会对垂直条纹的视觉输入有反应——人们可以了解大脑皮层这部分的神经元在解剖学上是如何连接起来的。他们发现,相同功能的神经元,相比别的神经元,更有可能互相连接。

虽然Micron项目的目标是技术性的——IARPA资助可以最终为只能社区导出数据分析工具的项目——首先必须现有关于大脑的深刻新认识。Andreas Tolias,联合领导Koch小组的Baylor医学院神经科学家,将我们目前对大脑皮层的认知比作一张失焦的模糊照片。他希望,此次Microns项目前所未有的研究规模可以帮助我们对焦,让我们看见掌管我们神经回路的更复杂的规则。不了解所有部件的话,他说“我们也许不能体会到大脑结构之美。”

模拟大脑的神经网络架构

覆盖我们大脑表层的复杂卷曲的皱褶形成了大脑皮层,一个匹萨大小的组织层,压缩进我们的头颅内。从很多方面来说,这就是大脑的微型处理器。这个组织层大约有3毫米厚,由一系列重复模块(或者说微型回路)组成,类似电脑芯片中的一排排逻辑门电路。每一个模块内包含大约10万个神经元,安置在相互连接的细胞所组成的复杂网络中。有证据显示,这些模块的基本结构在大脑皮层中大致都是一样的。但是,不同位置上的模块是专门针对不同的功能,例如视觉、运动、听觉。

Andreas Tolias(左)与他的学生R.J. Cotton一起,共同带来Micron的一个团队。图片来源Baylor医学院。

科学家对于这些模块长什么样子和如何运作只有一个粗略的概念。他们通常限制于在更小范围内研究大脑:几十个或几百个神经元。新科技专门设计用于追踪几千个神经元的形状、活动和连接,这让研究员终于可以分析模块内的细胞如何与其他细胞互动,系统内一个地方的活动如何引发或阻碍另一个地方的活动。“历史上第一次,我们可以查看这些模块,而不只是猜测里面是什么。”Vogelstein说,“不同的团队的猜测不同。”

研究员会专注在大脑皮层负责视觉的部分,神经科学家已经对这个感官系统进行了深入探索,计算机科学家一直在努力模拟。“视觉看起来很简单——只要睁开眼睛——但是要教计算机做同样的事情就非常困难。”哈佛大学的神经学家David Cox说,他领导其中一支IARPA团队。

每支队伍最初对视觉的基本认识都是相同的,一个被称为合成分析的几十年的理论。根据这个理论,大脑对马上将发生的事情做出预测,并将预测与它所见的融合。这种方法的力量在于其高效性——这比时时刻刻创造新内容所要求的计算更少。

大脑可能按不同方式执行任何次数的合成分析,因此每队探索不同的可能性。Cox的团队将大脑看成某种物理引擎,用现存的物理模型来模拟世界应该是什么样子。Tai Sing Lee与George Church共同带领的团队,提出理论认为大脑已经建设了一个各种部件的图书馆——物体和人的各个部分——并学会了如何将这些部件组装起来的规律。举个例子,叶子,通常是在树枝上的。Tolias的团队在以更加数据驱动的方式研究,大脑创造对外在世界的统计预期。他的团队将测试各种假设,看回路的不同部分如何沟通。

三个团队都会监测目标区域内几千个神经元的活动。然后他们会用不同的方法绘制这些细胞的连线图。例如Cox的团队,会将大脑组装切成比人的头发还细的切片,用电子显微镜分析每一个切片。然后将切片在计算层面连接起来,创造一个浓缩版的三维地图,记录几百万个神经元联系,它们在大脑皮层间的错综复杂的路径。

有了地图和活动模式,每一队将试图套出一些掌管大脑回路的基本规则。然后他们会把这些规则编程到模拟器,并测试模拟器与真实大脑的匹配度。

Tolias和团队已经对这种方法的实力略见端倪。在11月发表于《科学》杂志的一篇论文中,他们绘制了10,000个神经元组的链接,在过程中发现了五种新类型的神经元。“我们还是没有一个大脑皮层组成部件的完整名单,每一个细胞是什么样子,它们如何连接。“Koch说,”那是Tolias开始做的事情。“

Adreas和伙伴们绘制出了神经元组的连接,记录了它们的电子活动。五个神经元(左上)的复杂结构可以简化为一个简单的回路图(右上)。在2号神经元注入电流会刺激神经元,引起下游两个神经元中的电流变化,神经元1号和5号。

在这几千个神经连接中,Tolias的团队发现了三个掌管细胞连接的总则:有一些主要与自己同类的神经元联系;有一些避开自己同类的神经元,主要只和其他种类联系;第三种只和少数几个神经元联系。只用这三种连接规则,研究员可以比较准确地模拟出大脑回路。“现在的挑战是,必须研究出这些连接规则在计算上的意义是什么,”Tolias说,“他们都做哪些计算。”

反馈回路的重要性

类似大脑的人工智能不是新鲜事。所谓的神经网络,模拟大脑的基础结构,在八十年代非常流行。但是当时还缺乏有效算法所需的计算能力和数据。毕竟,当时互联网上还没有这么多标记出的猫咪照片。尽管神经网络经历了复兴——迅速进入我们日常生活的语音识别和人脸识别就是基于神经网络算法,打败了世界围棋冠军的阿尔法狗同样也是——不过,人工神经网络改变连接的规则,与我们大脑使用的规则当然是不同的。

当代的神经网络“是基于我们上世纪六十年代对大脑的认识。”Terry Sejnowski说,他是圣地亚哥Salk研究院的计算神经科学家,他与多伦多大学的计算科学家Geoffrey Hinton开发了早期神经网络算法。“我们对于大脑组织架构的知识正在大爆炸。“

例如,如今的神经网络是由前馈控制的架构组成,信息从输入经历一系列层次后输出。每一层都会识别特定的特点,例如眼睛或者胡子。这个分析结果又被推到下一层,接下来的每一层都会有越发复杂的数据计算。通过这种方式,软件最终认出了一大堆彩色像素是一只猫。

但是这种前馈系统忽略了生物系统中的一个关键环节:反馈,每一层之中的反馈,以及从高级到低级层的反馈。“反馈连接在大脑皮层网络中非常重要,”Sejnowski说,“反馈与前馈连接一样多。”

神经科学家目前还未精确理解这些反馈回路的运作,虽然他们知道这些回路对控制人的注意力是很重要的。举个例子,它们让我们可以在注意电话里的声音,过滤背景里的杂音。这种合成分析理论的好处之一是,它解释了所有这些重复出现的连接。他们帮助大脑比较预测结果和现实结果。

Microns研究员希望解密控制反馈回路的规则——例如,这些回路连接哪些细胞,什么触发他们的活动,这种活动如何影响回路的输出——然后将这些规则转化为算法。“现在机器所缺的是想象和内省。我相信这些反馈回路可以让我们在不同的层面进行想象和内省。”Tai Sing Lee说。

也许有一天,反馈回路可以让机器拥有我们认为人类才有的特点。“如果你能在深度网络中实现(反馈回路),你就能从类似膝跳反应的网络——只有输入、输出——实现一个更加能反省的网络,可以开始思考输入,测试各种假设。”Sejnowski说,他在奥巴马总统的一亿美元大脑项目中担任顾问,Microns项目也是此项目一部分。

挑战和机遇

与所有IARPA项目一样,Microns项目风险很高。研究所需的大规模绘图的技术已经存在,但是还没有人在这样的规模上应用过。有一项挑战将是处理研究带来的大规模数据——每立方毫米的大脑,带来1到2千兆字节的数据。团队应该需要开发新的机器学习工具,来分析所有数据,这也算是一个挺搞笑的反馈回路。

一小块大脑的信息能否让我们更加了解大脑更宏观的能力,我们尚未知晓。”大脑不只是一个皮层。“Sejnowski说,”大脑有几百个不同的系统,专门用于不同的功能。”

大脑皮层本身是由看起来差不多的重复单元组成的。但是大脑的其他部分可能非常不同。例如,阿尔法狗利用的增强学习是与大脑基底的运行有关,大脑基底与上瘾现象有关联。“如果你希望AI超越简单的模式识别,你需要许多不同的大脑部分。”Sejnowski说。

如果项目成功,它所做的就不只是分析智能数据了。成功的算法将告诉我们大脑是如何认知世界。具体来说,这将帮助确认大脑的确是通过分析合成运作的。它会显示,构成人类意识的关键是不断变化的想象与感觉的结合。“是想象让我们预测未来事件,用于指导我们的行为。”Tai Sing Lee说。通过建造能够思考的机器人,研究员们希望揭开的秘密。

via Wired

原文发布于微信公众号 - AI科技评论(aitechtalk)

原文发表时间:2016-06-09

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏数据派THU

【干货】郭朝晖:工业大数据的特征、方法与价值创造

本文长度为11700字,建议阅读25分钟 本讲座选自宝钢中央研究院首席研究员郭朝晖于2015年12月30日在清华大数据“技术·前沿”讲座上所做的题为《工业大数据...

1928
来自专栏量子位

这个AI正在解码我们的大脑,它比人类更适合当“科学家”

原作:Roger Highfield @《连线》 李杉 李林 编译整理 量子位 出品 | 公众号 QbitAI ? - 壹 - 罗米(Romy Lorenz)是...

2373
来自专栏AI科技评论

业界 | IBM 语音识别新方向:仿生蝙蝠耳能用声纳精准“聆听”

蝙蝠使用生物声呐,为夜晚在丛林中飞行导航。他们的超声波脉冲,可以比人造声呐装置更精确地对声音进行定位。为复制、驾驭这种能力,IBM 学院奖获得者 Rolf Mü...

2866
来自专栏ATYUN订阅号

东京大学研究人员使用人工智能来预测放射性碎片的扩散

在像2011年福岛那样的核熔毁之后,风和水流将放射性碎片广泛传播,使这些范围内的暴露风险。现有的大气建模工具非常不可靠,因此灾难应对小组很难确定人群撤离的优先顺...

832
来自专栏新智元

【Google 重磅论文】人工智能关键模型,量子计算快1亿倍(论文下载)

今天 Google 量子人工智能实验室公布,Google 和 NASA 在 2013 年购买的量子计算机,在最近一系列的测试中都完胜经典计算机,成绩令人瞩目。 ...

4469
来自专栏华章科技

大数据:更多的数据还是更好的算法?

我知道很多人自始至终都认为数据是越多越好,Google甚至直言:更多的数据胜过更好的算法,而过去很多侦探剧中崇尚“信息越多,就越靠近真相”的刑侦金句也似乎佐证这...

480
来自专栏ATYUN订阅号

斯坦福大学开发人造神经系统,为假肢或机器人提供触觉和感知能力

斯坦福大学和首尔国立大学的研究人员开发了一种人造感觉神经系统,可以激活蟑螂的抽搐反射,并使其识别盲文中的字母。

734
来自专栏PPV课数据科学社区

【推荐】从设计到数据——写给非数据人的数据入门

一. 一段经历,一点心得 ? 一直追我博客的人想必是清楚我之前做交互设计,然后去轮岗过行业运营,然后突然就开始做产品经理了。我也觉得奇怪的是,上次发了一个招聘启...

3547
来自专栏新智元

【深度】空空如也的大脑 | 为什么科学家把人类当成了计算机?

【新智元导读】借鉴脑科学的研究,是否有助于发展人工智能?《今日心理学》前主编、心理学家 Robert Epstein 日前在 Aeon 刊文,指出将大脑比作计算...

2945
来自专栏人工智能头条

MIT在读博士心得:做好AI科研,你需要注意什么?

1414

扫码关注云+社区