從搜索引擎到自動駕駛汽車，人工智能已經進入了我們的日常生活。這與近年來計算能力的巨大提升有關。但是，最新的人工智能研究成果表明，更簡單、更小的神經網絡可以比以前更好、更高效、更可靠得解決特定任務。 來自維也納理工大學(TU Wien)、奧地利IST和美國麻省理工學院(MIT)的一個國際研究團隊開發了一種基于微小動物(如線蟲)大腦的新型人工智能系統。 這種新穎的人工智能系統只需幾個人工神經元就能控制車輛。該團隊表示，與之前的深度學習模型相比，該系統具有決定性的優勢：它能更好地應對嘈雜的輸入信息。此外，由于它的簡單性，它的運作模式可以被詳細的解釋。它不必被視為一個復雜的"黑盒子"，它可以被人類理解。 目前，這種新的深度學習模型已經發表在《自然機器智能》雜志上。

向自然學習

與活體大腦類似，人工神經網絡由許多單個細胞組成。當一個細胞處于活躍狀態時，它會向其他細胞發出信號。下一個細胞會把接收到的所有信號都結合起來，以決定自己是否要活躍起來。一個細胞影響下一個細胞活動的方式決定了神經系統的行為——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的任務。 TU Wien的“網絡-物理系統”研究小組負責人Radu Grosu教授說：“多年來，我們一直在研究我們可以從自然界中學習到什么來改善深度學習。舉例來說，線蟲C.elegans的神經元的數量少得驚人，卻仍然能顯現出有趣的行為模式。這是因為線蟲的神經系統處理信息的方式高效而和諧?！? 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：“大自然告訴我們，現存的模型還有很多改進的空間。因此，我們的目標是大規模降低神經網絡模型的復雜性并增強其可解釋性?！? 奧地利IST公司總裁Thomas Henzinger教授說：“受自然界的啟發，我們開發了新的神經元和突觸的數學模型。” TU Wien計算機工程研究所和MIT CSAIL的博士后Ramin Hasani博士說：“單個細胞內的信號處理遵循的數學原理與之前的深度學習模型不同。另外，我們的網絡是高度稀疏的——這意味著不是每個單元都與其他每個單元相連。這也使得網絡更加簡單。”

自主車道保持功能

為了測試這些新想法，該團隊選擇了一個特別重要的測試任務：使自動駕駛汽車保持在自己的車道上，神經網絡接收道路的攝像頭圖像作為輸入，然后自動決定向右還是向左轉向。 TU Wien校友、奧地利IST的博士生Mathias Lechner說：“當今市面上，具有數百萬個參數的深度學習模型才通常用于學習如自動駕駛一樣復雜的任務。然而，我們的新方法使我們能夠將網絡的大小減少兩個數量級。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。攝像頭圖像的輸入首先由一個所謂的卷積神經網絡處理。該網絡只感知視覺數據，并從輸入的像素中提取結構特征。它決定了圖像中哪些部分是有趣的、重要的，隨后將信號傳遞給網絡的關鍵部分——引導車輛的“控制系統”。 這兩個子系統疊加在一起，并同時進行訓練。該團隊收集了許多大波士頓地區人類駕駛的交通視頻，并將這些視頻與不同特定情況下如何轉向汽車的信息一起輸入網絡——直到系統學會了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。 系統的控制部分（稱為神經回路策略，或NCP），將感知模塊的數據轉化為轉向指令，并只由19個神經元組成。Mathias Lechner解釋說，NCP比以前最先進的模型所能做到的要小3個數量級。

因果關系和可解釋性

新的深度學習模型已經在一輛真正的自動汽車上進行了測試。 Ramin Hasani說：“我們的模型可以讓我們研究網絡在駕駛時在關注什么。我們的網絡關注著的是攝像頭畫面中非常特定的部分：路邊和地平線。這種行為是非常理想的，它在人工智能系統中是獨一無二的。此外，我們還可以識別每一個細胞在任何駕駛決策中的作用。我們可以理解單個細胞的功能及其行為。實現這種程度的可解釋性是大型深度學習模型不可能做到的?！?

穩健性

Mathias Lechner說：“為了測試與之前的深度模型相比，NCPs的穩健性如何，我們干擾了輸入圖像，并評估了模型處理噪聲的能力。雖然噪音是其他深度神經網絡無法克服的問題，但我們的NCPs表現出了對輸入噪音的強大抵抗力。這一屬性是新型神經模型和架構的直接結果。” Ramin Hasani說："可解釋性和穩健性是我們新模型的兩大優勢。但我們的模型還有更多的優勢。使用我們的新方法還可以減少訓練時間，以及在相對簡單的系統中實現AI。我們的NCP可以在廣泛的潛在應用（從倉庫的自動化工作到機器人運動）中實現模仿學習。這個新的發現為人工智能界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建高性能，可解釋的人工智能的重要資源——成為迄今為止所使用的黑盒機器學習系統的替代方案。"

責任編輯：lq