人工智能已經(jīng)進(jìn)入我們?nèi)粘Ｉ畹乃?a target="_blank">索引擎。這與近年來巨大的計(jì)算能力有關(guān)。但是人工智能研究的最新結(jié)果表明，更簡單、更小的神經(jīng)網(wǎng)絡(luò)可以比以前更好、更有效、更可靠地解決某些任務(wù)。

來自維也納、奧地利和美國麻省理工學(xué)院的一個(gè)國際研究小組開發(fā)了一種新的人工智能系統(tǒng)，該系統(tǒng)基于微小動(dòng)物的大腦，如絲蟲。這種新型的人工智能系統(tǒng)只需幾個(gè)人工神經(jīng)元就能控制一輛汽車。研究小組說，與以前的深度學(xué)習(xí)模型相比，該系統(tǒng)具有決定性的優(yōu)勢：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(xì)解釋。它不必被視為一個(gè)復(fù)雜的“黑匣子”，但它可以被人類理解。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。

向大自然學(xué)習(xí)

與活的大腦類似，人工神經(jīng)網(wǎng)絡(luò)由許多單獨(dú)的細(xì)胞組成。當(dāng)一個(gè)細(xì)胞活動(dòng)時(shí)，它向其他細(xì)胞發(fā)送信號(hào)。下一個(gè)單元接收到的所有信號(hào)將被組合起來，以決定該單元是否也將變?yōu)榛顒?dòng)狀態(tài)。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)能夠解決特定任務(wù)。

“多年來，我們一直在研究我們可以從自然界學(xué)到什么來提高深度學(xué)習(xí)，”TU Wien研究小組“網(wǎng)絡(luò)物理系統(tǒng)”的負(fù)責(zé)人拉杜·格羅蘇教授說，例如，線蟲C.elegans生活在數(shù)量驚人的少數(shù)神經(jīng)元中，并且表現(xiàn)出有趣的行為模式。這是由于線蟲的神經(jīng)系統(tǒng)處理信息的高效而和諧的方式?！?/p>

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(jìn)空間?！币虼?，我們的目標(biāo)是大幅度降低神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜性并提高其可解釋性?！?/p>

“受大自然的啟發(fā)，我們開發(fā)了神經(jīng)元和突觸的新數(shù)學(xué)模型，”奧地利IST主席托馬斯·亨辛格教授說。

“單個(gè)細(xì)胞內(nèi)信號(hào)的處理遵循不同于以往深度學(xué)習(xí)模型的數(shù)學(xué)原理，”Ramin Hasani博士說，他是計(jì)算機(jī)工程研究所、TU Wien和MIT CSAIL的博士后而且，我們的網(wǎng)絡(luò)是高度稀疏的——這意味著并不是每一個(gè)單元都與其他單元相連。這也使網(wǎng)絡(luò)更加簡單。”

為了測試這些新想法，研究小組選擇了一個(gè)特別重要的測試任務(wù)：自動(dòng)駕駛汽車停在車道上。神經(jīng)網(wǎng)絡(luò)接收道路的攝像機(jī)圖像作為輸入，并自動(dòng)決定是向右還是向左轉(zhuǎn)向。

“今天，具有數(shù)百萬個(gè)參數(shù)的深度學(xué)習(xí)模型通常用于學(xué)習(xí)復(fù)雜的任務(wù)，如自動(dòng)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?qū)⒕W(wǎng)絡(luò)規(guī)?？s小兩個(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：攝像機(jī)輸入首先由所謂的卷積神經(jīng)網(wǎng)絡(luò)處理，后者只感知視覺數(shù)據(jù)，從輸入的像素中提取結(jié)構(gòu)特征。這個(gè)網(wǎng)絡(luò)決定了攝像機(jī)圖像的哪些部分是重要的，然后將信號(hào)傳遞到網(wǎng)絡(luò)的關(guān)鍵部分——一個(gè)控制系統(tǒng)，然后控制車輛。

兩個(gè)子系統(tǒng)被堆疊在一起，同時(shí)被訓(xùn)練。人們在波士頓地區(qū)駕駛的交通視頻被收集，并被輸入網(wǎng)絡(luò)，以及在任何特定情況下如何駕駛汽車的信息——直到系統(tǒng)學(xué)會(huì)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。

該系統(tǒng)的控制部分（稱為神經(jīng)回路策略，簡稱NCP）將感知模塊的數(shù)據(jù)轉(zhuǎn)換為轉(zhuǎn)向指令，僅由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)模式在真正的自主汽車上進(jìn)行了測試。”我們的模型允許我們調(diào)查網(wǎng)絡(luò)在駕駛時(shí)關(guān)注什么。我們的網(wǎng)絡(luò)關(guān)注的是攝像機(jī)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?？扇〉?，在人工智能系統(tǒng)中是獨(dú)一無二的。”此外，我們還發(fā)現(xiàn)，每個(gè)單元在任何驅(qū)動(dòng)決策中的作用都是可以確定的。我們可以了解單個(gè)細(xì)胞的功能及其行為?！?/p>

穩(wěn)定性

“為了測試ncp與以前的deep模型相比有多穩(wěn)定，我們對(duì)輸入圖像進(jìn)行了擾動(dòng)，并評(píng)估了處理噪聲的能力，”Mathias-Lechner說雖然這對(duì)于其他深層神經(jīng)網(wǎng)絡(luò)來說是一個(gè)無法克服的問題，但是我們的ncp對(duì)輸入偽影表現(xiàn)出了很強(qiáng)的抵抗力。這個(gè)屬性是新的神經(jīng)模型和體系結(jié)構(gòu)的直接結(jié)果?！?/p>

“可解釋性和穩(wěn)定性是我們新模型的兩大優(yōu)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(xùn)練時(shí)間，減少在相對(duì)簡單的系統(tǒng)中實(shí)現(xiàn)人工智能的可能性。我們的NCP能夠在廣泛的應(yīng)用中實(shí)現(xiàn)模擬學(xué)習(xí)，從倉庫的自動(dòng)化工作到機(jī)器人的移動(dòng)。新發(fā)現(xiàn)為人工智能社區(qū)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)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(jī)器學(xué)習(xí)系統(tǒng)的替代品?！?br /> 責(zé)任編輯：YYX