《機器學(xué)習(xí)》作者Tom Mitchell：人工智能如何向人類大腦學(xué)習(xí) | GMIC 2017

雷鋒網(wǎng)按：4月27日，GMIC 2017（全球移動互聯(lián)網(wǎng)大會）北京站開幕。卡內(nèi)基梅隆大學(xué)計算機科學(xué)學(xué)院機器學(xué)習(xí)系主任Tom Mitchell發(fā)表了“突破人類和機器的邊界”的主題演講。Tom Mitchell認(rèn)為，通過對人類大腦的模仿，計算機在變得越來越強。隨著機器智能和腦科學(xué)的進(jìn)一步發(fā)展，未來兩個學(xué)科之間應(yīng)該有更多的交集，并互相學(xué)習(xí)和借鑒。

Tom Mitchell：卡內(nèi)基梅隆大學(xué)計算機科學(xué)學(xué)院機器學(xué)習(xí)系主任、教授，美國工程院院士，美國科學(xué)進(jìn)展學(xué)會（AAAS）成員，人工智能進(jìn)展學(xué)會（AAAI）成員，美國《Machine Leaming》雜志、國際機器學(xué)習(xí)年度會議（ICML）的創(chuàng)始人。他在機器學(xué)習(xí)、人工智能、認(rèn)知神經(jīng)科學(xué)等領(lǐng)域卓有建樹，撰寫了機器學(xué)習(xí)方面最早的教科書之一《機器學(xué)習(xí)》，是機器學(xué)習(xí)領(lǐng)域的著名學(xué)者。

以下是演講全文，雷鋒網(wǎng)做了不改變原意的整理：

人工智能與腦科學(xué)的進(jìn)展

今天在這里，我想和大家探討一個問題，那就是我們的智能如何從物理材料中實現(xiàn)突破，這是科學(xué)界還未解答的問題。目前有兩種研究途徑，首先是研究大腦，因為大腦是有智能的，第二是努力打造一種具有智能的機器。這是兩種學(xué)習(xí)智能的方法，已經(jīng)進(jìn)行了很長時間了。

我今天想說的是，這兩個領(lǐng)域相互之間沒有交集，每個領(lǐng)域的專家對另外一個領(lǐng)域都不太了解，我們需要投入更多的資源來進(jìn)行兩者之間的交叉研究。首先講的是第一點，這兩個研究領(lǐng)域在過去十年里面取得了很大的進(jìn)展；第二點，我們現(xiàn)在已經(jīng)對兩個維度都進(jìn)行相應(yīng)的實例研究，兩者之間的確出現(xiàn)了一些交集，可以互相學(xué)習(xí)和借鑒。

所以我會對這方面進(jìn)行一些探討，希望進(jìn)一步激活兩者之間的交集。首先可以看一下，我們的人工智能在過去的十幾年里取得了重大進(jìn)展，最近人工智能已經(jīng)戰(zhàn)勝了人類圍棋的冠軍，而且國際象棋、德州撲克也已經(jīng)被人工智能攻下，現(xiàn)在我們看到的則是無人駕駛汽車，比如Uber就在進(jìn)行這樣的測試。

在過去的十年里，計算機視覺技術(shù)的進(jìn)展很快，機器識別的準(zhǔn)確率從過去的60%上升到95%左右。在語音方面也實現(xiàn)了突破，去年10月，微軟的對話語音識別技術(shù)在產(chǎn)業(yè)標(biāo)準(zhǔn)Switchboard語音識別基準(zhǔn)測試中實現(xiàn)了詞錯率（word error rate, 簡稱WER）低至5.9%的突破 ，創(chuàng)造了當(dāng)時該領(lǐng)域內(nèi)錯誤率的最低紀(jì)錄。

比如前面講到了下圍棋、下象棋，人工智能在這一領(lǐng)域突破非常快，背后主要是依靠深層次的機器學(xué)習(xí)。另外我們在腦科學(xué)方面的發(fā)展也非常迅猛，在過去十幾年的時間里，有很多先進(jìn)的技術(shù)和設(shè)備，使得我們可以采用無創(chuàng)或者微創(chuàng)的方法進(jìn)入到人的大腦，進(jìn)行毫米級地觀察，而且在毫秒內(nèi)就可以對幾千張影像進(jìn)行分析，觀察人腦的活性。此外，動物大腦的研究更加令人歡心鼓舞，通過基因方面的研究，在基因上進(jìn)行相應(yīng)的工程，對老鼠和其他動物相應(yīng)的神經(jīng)元進(jìn)行修飾、改變，這樣可以更好的對人的神經(jīng)活動進(jìn)行一些管理和控制。

通過這樣一些腦科學(xué)的發(fā)展，腦科學(xué)領(lǐng)域的一些理論和假設(shè)都取得了突破。比如老鼠在一個迷宮中行走的時候，老鼠對自己在迷宮中的位置的感覺到底是怎樣的，這就可以通過觀測它的神經(jīng)元放電來找到。不同的情況下，大腦各個區(qū)會域進(jìn)行相應(yīng)的振蕩，因此可以在不同的時間點進(jìn)行觀測，當(dāng)人們在社交的時候，大腦當(dāng)中管社交的部分會得到同步的激活，不過有自閉癥的人和正常人的狀況也不一樣。總之，無論是人工智能還是腦科學(xué)，都取得了令人矚目的巨大進(jìn)展。

人工智能與腦科學(xué)的結(jié)合

所以就出現(xiàn)了這樣一個問題：為什么不將兩者結(jié)合起來呢？在研究方面，無論時腦科學(xué)還是人工智能都在進(jìn)行交叉的研究。首先是計算機視覺，神經(jīng)網(wǎng)絡(luò)的確使得計算機的視覺發(fā)生革命性的改變，這樣的一個神經(jīng)網(wǎng)絡(luò)，可以用來預(yù)測人腦當(dāng)中的神經(jīng)元的活動，包括它的視覺皮層相應(yīng)的活動，這是一個深層次的神經(jīng)網(wǎng)絡(luò)。我們可以來看一些細(xì)節(jié)，左上方是單個神經(jīng)網(wǎng)絡(luò)當(dāng)中的單元，通過輸入輸出可以看到相關(guān)的情況。我們可以對它的輸入進(jìn)行研究，觀察它到底是怎樣的組合，右下圖展現(xiàn)的是這些單個神經(jīng)元組成的網(wǎng)絡(luò)，一個輸出成為另外一個輸入的情況，我們可以對這樣深層次的網(wǎng)絡(luò)進(jìn)行訓(xùn)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，然后進(jìn)行相應(yīng)的深度學(xué)習(xí)。

這個時候我們就可以對網(wǎng)絡(luò)當(dāng)中滯后的階段進(jìn)行探測，看一下成為條件的時候它是怎么編碼的。在2014年的時候，有人做了一些實驗，他們訓(xùn)練了不同的網(wǎng)絡(luò)，在訓(xùn)練了這些神經(jīng)網(wǎng)絡(luò)之后，把同樣的影像給這些神經(jīng)網(wǎng)絡(luò)看，通過FMI的掃描儀，觀察人的大腦當(dāng)中相應(yīng)的神經(jīng)活動，來更好地進(jìn)行預(yù)測，這是令人稱奇的的結(jié)果。現(xiàn)在人工的神經(jīng)網(wǎng)絡(luò)可以被我們用來訓(xùn)練，做一些相應(yīng)的預(yù)測，也就是說我們現(xiàn)在可以建立一種橋梁，對大腦當(dāng)中的腦神經(jīng)的活動進(jìn)行預(yù)測，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樣形成的，以及可以用怎樣的設(shè)備設(shè)計更好的人工神經(jīng)網(wǎng)絡(luò)，幫助我們做這樣的預(yù)測。一層一層進(jìn)行輸入、輸出，這樣可以進(jìn)一步推動人工的神經(jīng)網(wǎng)絡(luò)。我們知道大腦當(dāng)中的確是不一樣的，大腦當(dāng)中是有前輸和后輸?shù)模谶@個橋梁當(dāng)中可以進(jìn)行研究，人工的大腦和人的大腦到底有什么區(qū)別，然后相互借鑒、促進(jìn)。

這里有另外一個例子，也是來自于最近的一個研究，是自然語言處理領(lǐng)域的研究成果，那就是谷歌的自動翻譯系統(tǒng)的能力得到了很大的提升，比之前更精確了，這是為什么呢？主要是深層次的神經(jīng)網(wǎng)絡(luò)，更可能是由于網(wǎng)絡(luò)里有一些儲存。通過對大腦的研究，我們觀測大腦怎樣用神經(jīng)活動來解釋不同單詞相應(yīng)的詞義，這些詞義給了我們更好的回答方式。對這些細(xì)節(jié)進(jìn)行研究，我們會產(chǎn)生一種模型或者理論，來幫助我們對大腦的活動進(jìn)行預(yù)測，通過這樣一個模型結(jié)構(gòu)，來對應(yīng)任何輸入。

比如說電話，首先這個模型產(chǎn)生一個代碼，用它預(yù)測神經(jīng)活動，大腦當(dāng)中有兩萬個不同的位置被預(yù)測出來。然后進(jìn)一步通過矢量來進(jìn)行預(yù)測，比如這里是芹菜和飛機的兩個矢量，兩個矢量的特征都和相應(yīng)的詞對應(yīng)。對應(yīng)芹菜可以看到和芹菜相關(guān)聯(lián)的字?jǐn)?shù)，口味是和芹菜相應(yīng)的一個關(guān)聯(lián)度；對飛機來說，則會出現(xiàn)很多的動詞，可以看到相關(guān)的一些詞就出現(xiàn)了。

通過這樣的一些模型當(dāng)中的編碼，可以很好的復(fù)現(xiàn)一些皮層當(dāng)中出現(xiàn)的詞，我們對模型進(jìn)行訓(xùn)練。我們看到在下面對任何詞的神經(jīng)活動，比如芹菜，把這些語義的特征組合起來，通過模型的學(xué)習(xí)，把這些特征進(jìn)行關(guān)聯(lián)，可以發(fā)現(xiàn)，“吃”這個詞和芹菜這個詞的關(guān)聯(lián)度是最高的。通過這樣的研究很有意義，給到一個新詞，比如說之前沒有訓(xùn)練過，在對它的預(yù)測分析分析當(dāng)中我們發(fā)現(xiàn)，在83%的情況下有兩個新的詞，哪個是第一關(guān)聯(lián)，哪個是第二關(guān)聯(lián)，有50%的可能性是正確的，有的詞從來沒有出現(xiàn)過，也會有很高的識別率，也就是說，神經(jīng)的活動對詞義的表達(dá)，是用了我們矢量表達(dá)法來進(jìn)行詞義解釋。這是技術(shù)的表達(dá)，在人工智能和人腦當(dāng)中存在一個橋梁的關(guān)系。

第三個例子是我們講的強化學(xué)習(xí)，這個是現(xiàn)在非常流行的，比如相關(guān)的培訓(xùn)當(dāng)中會出現(xiàn)一些強化學(xué)習(xí)的算法。很多時候?qū)游锏囊恍┆剟顚W(xué)習(xí)，也屬于強化學(xué)習(xí)的方式。比如發(fā)一些糖給猴子吃，猴子認(rèn)為這是獎勵，所以大腦里有放電的現(xiàn)象，然后就可以找到對應(yīng)的神經(jīng)元。

這樣的一種神經(jīng)元放電代表什么呢？可能對這個獎勵，也就是這個糖有所感應(yīng)，所以放電了。通過這樣的實驗來訓(xùn)練這些猴子，給到猴子糖以后，后一秒就開始閃光，這個時候我們可以看到的情況就是給了猴子糖以后，猴子的神經(jīng)元沒有任何反應(yīng)，而是當(dāng)閃光以后，猴子的神經(jīng)元才放電，說明猴子的神經(jīng)元并不是因為給了糖才反應(yīng)，而是對獎勵這個事情本身放電，這是很酷的研究。

還有一種情況，沒有給糖，只是閃光，猴子怎么反應(yīng)？沒有給糖，沒有任何獎勵，這個神經(jīng)元就會怎么樣來表達(dá)呢？閃光之后，猴子發(fā)現(xiàn)并沒有給糖，這是一種抑郁，而不是獎勵了，這是和強化學(xué)習(xí)直接相關(guān)的。這樣的一個情況，很好地解釋了我們看到的猴子的神經(jīng)元的表現(xiàn)，因此在人工智能算法和我們?nèi)说拇竽X之間或者動物的大腦之間，有這樣一種橋梁的關(guān)系，因此強化學(xué)習(xí)的算法對機器人的控制是可以用的，比如可以用于打敗人類冠軍的Alpha Go的訓(xùn)練。因此通過這樣的一些對大腦行為的觀測和檢測可以幫助我們進(jìn)行人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。

通過這些方式，我們剛才也講了矢量的應(yīng)用和強化學(xué)習(xí)的方式，這樣一些人工智能的算法，在我們的大腦當(dāng)中，觀測到了神經(jīng)元活動的關(guān)聯(lián)，因此我覺得，現(xiàn)在人的腦科學(xué)和人工智能方面到了可以有更多交集的好時機，我們應(yīng)該在人工智能和腦科學(xué)之間搭建更多的橋梁。

我前面也舉出了一些實例，希望大家可以進(jìn)一步研究，盡管人的大腦不是由硅組成的電腦，但是有可能任何產(chǎn)生智能的物理方式都是有一些信息的約束條件的，這樣的一種結(jié)構(gòu)可以進(jìn)行深層次的學(xué)習(xí)。我們可以從人工智能和人腦當(dāng)中找到更多的答案幫助推進(jìn)科學(xué)的進(jìn)步，再次感謝各位。

雷鋒網(wǎng)相關(guān)文章：《吳甘沙對話Tom Mitchell：人工智能如何顛覆我們的城市 | GMIC 2017》

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。