 發(fā)布時間：10-2714:00 新智元導(dǎo)讀】一直以來，神經(jīng)網(wǎng)絡(luò)可以讓我們了解我們的大腦，就像我們利用我們對大腦的了解來開發(fā)新的神經(jīng)網(wǎng)絡(luò)一樣。近日，有研究團(tuán)隊(duì)發(fā)現(xiàn)了詭異的現(xiàn)象：在識別三維圖形方面，大腦和AI竟存在驚人的相似！ 在人腦中，視覺信息穿過多個皮質(zhì)，每個皮質(zhì)都解釋圖像的不同方面，最終將我們對周圍世界的感知拼湊在一起。
長久以來，人工智能與人腦之間都有著十分微妙的聯(lián)系。 最近，在發(fā)表于《當(dāng)前生物學(xué)》雜志上的一項(xiàng)新研究更令人毛骨悚然，在此過程的早期就對3D形狀的各個方面（例如凹凸和球形）進(jìn)行了解釋。 而且，事實(shí)證明，同樣的事情也發(fā)生在人工神經(jīng)網(wǎng)絡(luò)中。 「幽靈般的通信」：大腦與Alexnet對圖像反應(yīng)模式的相似 人工智能面臨的長期挑戰(zhàn)之一是copy人類視覺?；跒橛螒蜷_發(fā)的高容量GPU和互聯(lián)網(wǎng)上海量圖像和視頻提供的大規(guī)模訓(xùn)練集，像AlexNet這樣的深(多層)網(wǎng)絡(luò)在物體識別方面取得了重大進(jìn)展。 Connor和他的團(tuán)隊(duì)對自然神經(jīng)元和人工神經(jīng)元的圖像反應(yīng)進(jìn)行了相同的測試，結(jié)果令人 「毛骨悚然」：V4和AlexNet第3層的圖像反應(yīng)模式非常相似。 驚悚x2！人腦與電腦或趨同進(jìn)化 神經(jīng)網(wǎng)絡(luò)是一種明確模仿大腦的人工智能架構(gòu)，它以相似的方式解釋信息，這并不令人吃驚。 在看到算法AlexNet之后，科學(xué)家們驚呆了：AI與大腦讀圖像的方式竟是如此相同。 在物體視覺的開始階段，大腦就能探測到三維形狀，如凸起、空洞、軸狀、球體。這是一種新發(fā)現(xiàn)的自然智能策略，約翰霍普金斯大學(xué)的研究人員也在訓(xùn)練識別視覺物體的人工智能網(wǎng)絡(luò)中發(fā)現(xiàn)了這種策略。 這個研究主要集中在V4區(qū)域。
過去40年來，人們一直將研究的重點(diǎn)放在「V4區(qū)域的神經(jīng)元如何呈現(xiàn)二維形狀」，《當(dāng)代生物學(xué)》上的新論文詳細(xì)描述了該區(qū)域是如何呈現(xiàn)三維形狀碎片的。 隨后，約翰霍普金斯大學(xué)的研究人員在高級計(jì)算機(jī)視覺網(wǎng)絡(luò)AlexNet的早期階段(第3層)中發(fā)現(xiàn)了人工神經(jīng)元幾乎相同的反應(yīng)。 在自然和人工視覺中，早期發(fā)現(xiàn)3-D形狀可能有助于解釋真實(shí)世界中的實(shí)體3-D物體。 約翰霍普金斯大學(xué)神經(jīng)學(xué)家、研究作者埃德·康納(Ed Connor)在一份新聞稿中提到了一種特殊的視覺皮層，他說：「早在V4時代，我就很驚訝地看到了3D形狀強(qiáng)烈而清晰的信號，但我永遠(yuǎn)也想不到，你會在AlexNet上看到同樣的事情發(fā)生，它只被訓(xùn)練成將2D照片轉(zhuǎn)換為物體標(biāo)簽。」 AlexNet是什么？ AlexNet是2012年ImageNet競賽冠軍獲得者Hinton和他的學(xué)生Alex Krizhevsky設(shè)計(jì)的。 也是在那年之后，更多的更深的神經(jīng)網(wǎng)絡(luò)被提出，比如優(yōu)秀的vgg,GoogLeNet。這對于傳統(tǒng)的機(jī)器學(xué)習(xí)分類算法而言，已經(jīng)相當(dāng)?shù)某錾?/p> 實(shí)際上，AlexNet就是基于大腦中的多級視覺網(wǎng)絡(luò)設(shè)計(jì)的。研究團(tuán)隊(duì)觀察到的相似之處，很可能預(yù)示著自然智能和人工智能之間的相關(guān)性，這也是對未來利用AI的一種重要啟示。 人腦與電腦的「近親」早已起源 當(dāng)然，人腦與電腦的相似早就被熱議。
除了計(jì)算機(jī)硬件與人腦之間的明顯類比和區(qū)別（例如，計(jì)算機(jī)的RAM與大腦的工作記憶之間，計(jì)算機(jī)的硬盤驅(qū)動器與大腦的長期記憶之間），通常，還認(rèn)為兩者彼此相似。 數(shù)字與模擬 絕大多數(shù)計(jì)算機(jī)都是數(shù)字計(jì)算機(jī)，這意味著它們使用只有兩個可能的離散狀態(tài)的二進(jìn)制系統(tǒng)執(zhí)行操作：「開」和「關(guān)」，或者，如果您愿意，還可以選擇「0」和「 1」。 例如，以老式黑膠唱片上使用的模擬編碼形式，音樂信息以凹槽輪廓的連續(xù)變化記錄，并且在回放錄音時不可避免地會聽到輕微的錯誤。相反，數(shù)字編碼可提供更高的保真度，因?yàn)樗鼤詣酉羞@些錯誤，除非它們足夠大，可以用1代替0。 那么，人腦是作為模擬系統(tǒng)還是數(shù)字系統(tǒng)運(yùn)行？答案是「both」。 一方面，神經(jīng)元傳遞或不傳遞動作電位。這是一個「全有或全無」的過程，從這個意義上說，大腦以數(shù)字方式運(yùn)行。但是神經(jīng)元傳遞動作電位的頻率可以連續(xù)變化，因此也具有模擬系統(tǒng)的這種特性。 在另一種意義上，神經(jīng)元也類似地工作。每個神經(jīng)元在突觸與其樹突之間不斷地從其他神經(jīng)元接收大量神經(jīng)沖動（動作電位）。 串行并行 大多數(shù)計(jì)算機(jī)都非常快速地處理信息，但是它們是以串行方式進(jìn)行的：所有信息都由一個中央處理單元（CPU）處理，該中央處理單元一個接一個地執(zhí)行操作。但是，CPU還可以通過將其各種任務(wù)細(xì)分為子任務(wù)并在它們之間快速交替來模擬并行處理。 大腦的神經(jīng)元比計(jì)算機(jī)的集成電路慢得多。 但是大腦的力量來自于它是執(zhí)行大規(guī)模并行處理的機(jī)器。大腦沒有CPU。相反，它具有數(shù)百萬個同時合并信號的神經(jīng)元。在任何給定時間，大腦的許多大型專業(yè)區(qū)域并行運(yùn)行以執(zhí)行各種任務(wù)，例如處理視覺或聽覺信息或計(jì)劃動作。即使在這些區(qū)域中的每個區(qū)域中，信息也會通過沒有重要序列結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)流動。 但是，就像計(jì)算機(jī)是可以模擬并行處理的串行系統(tǒng)一樣，大腦也可以模擬串行操作（例如，處理口語和書面語言）的并行系統(tǒng)。 確定性與非確定性 從給定輸入的意義上說，計(jì)算機(jī)是確定性機(jī)器，它們將始終產(chǎn)生相同的輸出。 但這并不意味著該輸出總是可預(yù)測的。例如，計(jì)算機(jī)可以通過引入偽隨機(jī)變量來模擬非確定性系統(tǒng)。計(jì)算機(jī)還可以應(yīng)用來自混沌物理學(xué)的方程，其中確定性過程的結(jié)果可能會受到初始條件中微小變化的極大影響。 整個大腦被認(rèn)為是非確定性系統(tǒng)，原因很簡單：一個時刻到下一個時刻永遠(yuǎn)不會完全相同。 它不斷地形成新的突觸，并根據(jù)其用法來增強(qiáng)或削弱現(xiàn)有的突觸。因此，給定的輸入將永遠(yuǎn)不會產(chǎn)生完全相同的輸出兩次。但是，腦活動的生理化學(xué)過程被認(rèn)為是確定性的。
「人工網(wǎng)絡(luò)是目前研究大腦最有希望的模型。相反，大腦是使人工智能接近自然智能的最佳策略來源?！笴onnor說。 神經(jīng)網(wǎng)絡(luò)可以讓我們了解我們的大腦，就像我們利用我們對大腦的了解來開發(fā)新的神經(jīng)網(wǎng)絡(luò)一樣。 對這個毛骨悚然的消息，外國網(wǎng)友們議論紛紛。 「我有點(diǎn)開始認(rèn)為，我們并不真正理解智能意識是什么。也許所有形式的智能都只是自我意識的不同表達(dá)，沒有一種智能真的比另一種更好或更強(qiáng)大?！?/p> 但有人卻認(rèn)為這沒什么大驚小怪的：「我對此不太確定，但我認(rèn)為卷積神經(jīng)網(wǎng)絡(luò)（AlexNet）在某種程度上是通過模仿人眼的工作方式來實(shí)現(xiàn)的（當(dāng)然，除了參數(shù)數(shù)量的大量減少之外）。諸如本文和DeepDream之類的一些先前工作已經(jīng)證明了神經(jīng)網(wǎng)絡(luò)與我們的大腦和認(rèn)知有多么相似。因此，這對我來說并不是真的那么令人驚訝和恐怖?！?/p> 這個「毛骨悚然」消息，讓你怕了嗎？ |
|
|
