人工智能已經進入我們日常生活的搜索引擎。這與近年來巨大的計算能力有關。但是人工智能研究的最新結果表明，更簡單、更小的神經網絡可以比以前更好、更有效、更可靠地解決某些任務。

來自維也納、奧地利和美國麻省理工學院的一個國際研究小組開發了一種新的人工智能系統，該系統基于微小動物的大腦，如絲蟲。這種新型的人工智能系統只需幾個人工神經元就能控制一輛汽車。研究小組說，與以前的深度學習模型相比，該系統具有決定性的優勢：它能更好地處理噪聲輸入，而且由于其簡單，其操作模式可以得到詳細解釋。它不必被視為一個復雜的“黑匣子”，但它可以被人類理解。這種新的深度學習模型已經發表在《自然機器智能》雜志上。

向大自然學習

與活的大腦類似，人工神經網絡由許多單獨的細胞組成。當一個細胞活動時，它向其他細胞發送信號。下一個單元接收到的所有信號將被組合起來，以決定該單元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——這些參數在自動學習過程中被調整，直到神經網絡能夠解決特定任務。

“多年來，我們一直在研究我們可以從自然界學到什么來提高深度學習，”TU Wien研究小組“網絡物理系統”的負責人拉杜·格羅蘇教授說，例如，線蟲C.elegans生活在數量驚人的少數神經元中，并且表現出有趣的行為模式。這是由于線蟲的神經系統處理信息的高效而和諧的方式。”

麻省理工學院計算機科學與人工智能實驗室（CSAIL）主任丹尼拉·魯斯教授說：“大自然向我們表明，人工智能仍有很大的改進空間。”因此，我們的目標是大幅度降低神經網絡模型的復雜性并提高其可解釋性。”

“受大自然的啟發，我們開發了神經元和突觸的新數學模型，”奧地利IST主席托馬斯·亨辛格教授說。

“單個細胞內信號的處理遵循不同于以往深度學習模型的數學原理，”Ramin Hasani博士說，他是計算機工程研究所、TU Wien和MIT CSAIL的博士后而且，我們的網絡是高度稀疏的——這意味著并不是每一個單元都與其他單元相連。這也使網絡更加簡單。”

為了測試這些新想法，研究小組選擇了一個特別重要的測試任務：自動駕駛汽車停在車道上。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。

“今天，具有數百萬個參數的深度學習模型通常用于學習復雜的任務，如自動駕駛，”圖文恩校友、IST奧地利博士生Mathias Lechner說然而，我們的新方法使我們能夠將網絡規模縮小兩個數量級。我們的系統只使用75000個可訓練參數。”

麻省理工學院CSAIL的博士生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，后者只感知視覺數據，從輸入的像素中提取結構特征。這個網絡決定了攝像機圖像的哪些部分是重要的，然后將信號傳遞到網絡的關鍵部分——一個控制系統，然后控制車輛。

兩個子系統被堆疊在一起，同時被訓練。人們在波士頓地區駕駛的交通視頻被收集，并被輸入網絡，以及在任何特定情況下如何駕駛汽車的信息——直到系統學會自動將圖像與適當的轉向方向連接起來，并能獨立處理新情況。

該系統的控制部分（稱為神經回路策略，簡稱NCP）將感知模塊的數據轉換為轉向指令，僅由19個神經元組成。Mathias Lechner解釋說，NCP比以前最先進的模型要小3個數量級。

因果關系和可解釋性

新的深度學習模式在真正的自主汽車上進行了測試。”我們的模型允許我們調查網絡在駕駛時關注什么。我們的網絡關注的是攝像機畫面中非常具體的部分：路邊和地平線。拉明·哈薩尼說：“這種行為是非常可取的，在人工智能系統中是獨一無二的。”此外，我們還發現，每個單元在任何驅動決策中的作用都是可以確定的。我們可以了解單個細胞的功能及其行為。”

穩定性

“為了測試ncp與以前的deep模型相比有多穩定，我們對輸入圖像進行了擾動，并評估了處理噪聲的能力，”Mathias-Lechner說雖然這對于其他深層神經網絡來說是一個無法克服的問題，但是我們的ncp對輸入偽影表現出了很強的抵抗力。這個屬性是新的神經模型和體系結構的直接結果。”

“可解釋性和穩定性是我們新模型的兩大優勢，”Ramin Hasani說但還有更多：使用我們的新方法，我們還可以減少訓練時間，減少在相對簡單的系統中實現人工智能的可能性。我們的NCP能夠在廣泛的應用中實現模擬學習，從倉庫的自動化工作到機器人的移動。新發現為人工智能社區開辟了重要的新視角：生物神經系統中的計算原理可以成為創造高性能可解釋人工智能的重要資源——作為迄今為止我們使用的黑匣子機器學習系統的替代品。”
責任編輯：YYX