來自維也納維也納（Vienna），奧地利奧地利技術學院（IST Austria）和美國麻省理工學院（MIT）的國際研究團隊已經開發了一種新的人工智能系統，該系統基于線蟲等小動物的大腦。這個新穎的AI系統可以控制帶有幾個人工神經元的車輛。該團隊表示，該系統比以前的深度學習模型具有決定性的優勢：它可以更好地應對嘈雜的輸入，并且由于其簡單性，可以詳細說明其操作模式。它不必被視為復雜的“黑匣子”，但人類可以理解。這種新的深度學習模型現已發表在《自然機器智能》雜志上。

類似于活腦，人工神經網絡由許多單個細胞組成。當一個單元處于活動狀態時，它將向其他單元發送信號。下一個小區接收到的所有信號都會組合起來，以決定該小區是否也將變為活動狀態。一個細胞影響下一個細胞活動的方式決定了系統的行為-在自動學習過程中調整這些參數，直到神經網絡可以解決特定任務為止。

“多年來，我們一直在研究我們可以從自然界中學到什么，以改善深度學習，”維也納工業大學“網絡物理系統”研究小組負責人拉杜格羅蘇教授說。“例如，線蟲的線蟲生活中的神經元數量驚人地少，并且仍然表現出有趣的行為模式。這是由于線蟲的神經系統有效而和諧地處理信息的方式所致。”

麻省理工學院計算機科學與人工智能實驗室（CSAIL）主任Daniela Rus教授說：“自然向我們展示了仍有很多改進的空間。“因此，我們的目標是大幅降低復雜性并增強神經網絡模型的可解釋性。”

“受自然界的啟發，我們開發了神經元和突觸的新數學模型，” IST Austria總裁Thomas Henzinger教授說。

TU Wien和MIT CSAIL計算機工程學院的博士后研究員Ramin Hasani博士說：“與以前的深度學習模型相比，單個單元內信號的處理遵循不同的數學原理。”“此外，我們的網絡非常稀疏-這意味著并非每個單元都與其他每個單元連接。這也使網絡更加簡單。”

為了測試新想法，團隊選擇了一項特別重要的測試任務：將自動駕駛汽車留在自己的車道上。神經網絡接收道路的攝像機圖像作為輸入，并自動決定是向右還是向左轉向。

“如今，具有數百萬個參數的深度學習模型通常用于學習諸如自動駕駛之類的復雜任務，” IST Austria的TU Wien校友和博士生Mathias Lechner說。“但是，我們的新方法使我們能夠將網絡規模減少兩個數量級。我們的系統僅使用75，000個可訓練參數。”

麻省理工學院CSAIL的學生亞歷山大·阿米尼（Alexander Amini）解釋說，新系統由兩部分組成：攝像機輸入首先由所謂的卷積神經網絡處理，該卷積神經網絡僅感知視覺數據以從傳入像素中提取結構特征。該網絡確定攝像機圖像的哪些部分有趣且重要，然后將信號傳遞到網絡的關鍵部分-“控制系統”，然后控制車輛。

兩個子系統堆疊在一起并同時接受培訓。收集了大波士頓地區許多小時的人類駕駛交通視頻，并將其與有關如何在任何給定情況下如何駕駛汽車的信息一起饋入網絡-直到系統學會了自動將圖像與適當的位置連接并可以獨立處理新情況。

該系統的控制部分（稱為神經回路策略或NCP）將感知模塊中的數據轉換為轉向命令，僅包含19個神經元。Mathias Lechner解釋說，NCP比以前的最新模型小3個數量級。

責任編輯：lq