從搜索引擎到自動(dòng)駕駛汽車，人工智能已經(jīng)進(jìn)入了我們的日常生活。這與近年來計(jì)算能力的巨大提升有關(guān)。但是，最新的人工智能研究成果表明，更簡單、更小的神經(jīng)網(wǎng)絡(luò)可以比以前更好、更高效、更可靠得解決特定任務(wù)。 來自維也納理工大學(xué)(TU Wien)、奧地利IST和美國麻省理工學(xué)院(MIT)的一個(gè)國際研究團(tuán)隊(duì)開發(fā)了一種基于微小動(dòng)物(如線蟲)大腦的新型人工智能系統(tǒng)。 這種新穎的人工智能系統(tǒng)只需幾個(gè)人工神經(jīng)元就能控制車輛。該團(tuán)隊(duì)表示，與之前的深度學(xué)習(xí)模型相比，該系統(tǒng)具有決定性的優(yōu)勢(shì)：它能更好地應(yīng)對(duì)嘈雜的輸入信息。此外，由于它的簡單性，它的運(yùn)作模式可以被詳細(xì)的解釋。它不必被視為一個(gè)復(fù)雜的"黑盒子"，它可以被人類理解。 目前，這種新的深度學(xué)習(xí)模型已經(jīng)發(fā)表在《自然機(jī)器智能》雜志上。

向自然學(xué)習(xí)

與活體大腦類似，人工神經(jīng)網(wǎng)絡(luò)由許多單個(gè)細(xì)胞組成。當(dāng)一個(gè)細(xì)胞處于活躍狀態(tài)時(shí)，它會(huì)向其他細(xì)胞發(fā)出信號(hào)。下一個(gè)細(xì)胞會(huì)把接收到的所有信號(hào)都結(jié)合起來，以決定自己是否要活躍起來。一個(gè)細(xì)胞影響下一個(gè)細(xì)胞活動(dòng)的方式?jīng)Q定了神經(jīng)系統(tǒng)的行為——這些參數(shù)在自動(dòng)學(xué)習(xí)過程中被調(diào)整，直到神經(jīng)網(wǎng)絡(luò)能夠解決特定的任務(wù)。 TU Wien的“網(wǎng)絡(luò)-物理系統(tǒng)”研究小組負(fù)責(zé)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(xué)習(xí)到什么來改善深度學(xué)習(xí)。舉例來說，線蟲C.elegans的神經(jīng)元的數(shù)量少得驚人，卻仍然能顯現(xiàn)出有趣的行為模式。這是因?yàn)榫€蟲的神經(jīng)系統(tǒng)處理信息的方式高效而和諧。” 麻省理工學(xué)院計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室（CSAIL）主任Daniela Rus教授說：“大自然告訴我們，現(xiàn)存的模型還有很多改進(jìn)的空間。因此，我們的目標(biāo)是大規(guī)模降低神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜性并增強(qiáng)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(fā)，我們開發(fā)了新的神經(jīng)元和突觸的數(shù)學(xué)模型。” TU Wien計(jì)算機(jī)工程研究所和MIT CSAIL的博士后Ramin Hasani博士說：“單個(gè)細(xì)胞內(nèi)的信號(hào)處理遵循的數(shù)學(xué)原理與之前的深度學(xué)習(xí)模型不同。另外，我們的網(wǎng)絡(luò)是高度稀疏的——這意味著不是每個(gè)單元都與其他每個(gè)單元相連。這也使得網(wǎng)絡(luò)更加簡單。”

自主車道保持功能

為了測(cè)試這些新想法，該團(tuán)隊(duì)選擇了一個(gè)特別重要的測(cè)試任務(wù)：使自動(dòng)駕駛汽車保持在自己的車道上，神經(jīng)網(wǎng)絡(luò)接收道路的攝像頭圖像作為輸入，然后自動(dòng)決定向右還是向左轉(zhuǎn)向。 TU Wien校友、奧地利IST的博士生Mathias Lechner說：“當(dāng)今市面上，具有數(shù)百萬個(gè)參數(shù)的深度學(xué)習(xí)模型才通常用于學(xué)習(xí)如自動(dòng)駕駛一樣復(fù)雜的任務(wù)。然而，我們的新方法使我們能夠?qū)⒕W(wǎng)絡(luò)的大小減少兩個(gè)數(shù)量級(jí)。我們的系統(tǒng)只使用75000個(gè)可訓(xùn)練參數(shù)。” 麻省理工學(xué)院CSAIL的博士生Alexander Amini解釋說，新系統(tǒng)由兩部分組成。攝像頭圖像的輸入首先由一個(gè)所謂的卷積神經(jīng)網(wǎng)絡(luò)處理。該網(wǎng)絡(luò)只感知視覺數(shù)據(jù)，并從輸入的像素中提取結(jié)構(gòu)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(hào)傳遞給網(wǎng)絡(luò)的關(guān)鍵部分——引導(dǎo)車輛的“控制系統(tǒng)”。 這兩個(gè)子系統(tǒng)疊加在一起，并同時(shí)進(jìn)行訓(xùn)練。該團(tuán)隊(duì)收集了許多大波士頓地區(qū)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(zhuǎn)向汽車的信息一起輸入網(wǎng)絡(luò)——直到系統(tǒng)學(xué)會(huì)了自動(dòng)將圖像與適當(dāng)?shù)霓D(zhuǎn)向方向連接起來，并能獨(dú)立處理新情況。 系統(tǒng)的控制部分（稱為神經(jīng)回路策略，或NCP），將感知模塊的數(shù)據(jù)轉(zhuǎn)化為轉(zhuǎn)向指令，并只由19個(gè)神經(jīng)元組成。Mathias Lechner解釋說，NCP比以前最先進(jìn)的模型所能做到的要小3個(gè)數(shù)量級(jí)。

因果關(guān)系和可解釋性

新的深度學(xué)習(xí)模型已經(jīng)在一輛真正的自動(dòng)汽車上進(jìn)行了測(cè)試。 Ramin Hasani說：“我們的模型可以讓我們研究網(wǎng)絡(luò)在駕駛時(shí)在關(guān)注什么。我們的網(wǎng)絡(luò)關(guān)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(tǒng)中是獨(dú)一無二的。此外，我們還可以識(shí)別每一個(gè)細(xì)胞在任何駕駛決策中的作用。我們可以理解單個(gè)細(xì)胞的功能及其行為。實(shí)現(xiàn)這種程度的可解釋性是大型深度學(xué)習(xí)模型不可能做到的。”

穩(wěn)健性

Mathias Lechner說：“為了測(cè)試與之前的深度模型相比，NCPs的穩(wěn)健性如何，我們干擾了輸入圖像，并評(píng)估了模型處理噪聲的能力。雖然噪音是其他深度神經(jīng)網(wǎng)絡(luò)無法克服的問題，但我們的NCPs表現(xiàn)出了對(duì)輸入噪音的強(qiáng)大抵抗力。這一屬性是新型神經(jīng)模型和架構(gòu)的直接結(jié)果。” Ramin Hasani說："可解釋性和穩(wěn)健性是我們新模型的兩大優(yōu)勢(shì)。但我們的模型還有更多的優(yōu)勢(shì)。使用我們的新方法還可以減少訓(xùn)練時(shí)間，以及在相對(duì)簡單的系統(tǒng)中實(shí)現(xiàn)AI。我們的NCP可以在廣泛的潛在應(yīng)用（從倉庫的自動(dòng)化工作到機(jī)器人運(yùn)動(dòng)）中實(shí)現(xiàn)模仿學(xué)習(xí)。這個(gè)新的發(fā)現(xiàn)為人工智能界開辟了重要的新視角：生物神經(jīng)系統(tǒng)中的計(jì)算原理可以成為創(chuàng)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(jī)器學(xué)習(xí)系統(tǒng)的替代方案。"

責(zé)任編輯：lq