2018/12/20 14:32

为大脑绘制一张「活点地图」：那些神经网络教会我们的事

上周，我们介绍了耶鲁大学学者利用AI预测人眼观赏风景时移动规律的研究，这项研究采用的是被称为深度卷积神经网络的技术。深度神经网络作为AI最常用的算法之一，可以在很多领域下进行深度学习，并且做出和人类大脑相仿甚至更好的思考。

在深度神经网络出现之前，AI在识别图像，辨听声音的水平远逊于人类。而受到人脑启发而诞生的深度神经网络则拥有出色的表现。此前的AlphaZero可以在三种棋类比赛中战胜各自领域中的顶尖棋手和AI，堪称深度神经网络最优秀的代表之一。

医学的发展可以让医生进行各种复杂的脑部手术，可是我们仍然没有搞清大脑是如何思考的。有趣的是，尽管科学家已经编写出了各式各样的AI程序，他们也没法彻底理解深度神经网络是如何做出决定的。AI和大脑在运作方式上的相似之处，似乎为人类详细理解大脑思考方式提供了一个借鉴。

▲大脑和深度神经网络都由复杂的网络编织而成（图片来源：Pixabay）

在弄清两者间的相似之处之前，我们可以先简要地了解深度神经网络的运作方式。信息在深度神经网络中是通过一个个的计算节点（computational node）来传输的，而这些计算节点又分布在很多连续的层（layer）中。AI在通过深度神经网络学习时，会匹配输入的信息和对应描述，并逐步调整各个计算节点之间的强度，从而获得独立处理信息的能力。

你可以回想一下中学生物课上的知识：“人的神经系统包含数以百亿甚至千亿计的神经元（又称神经细胞），是神经系统结构和功能的基本单位。人体内各个神经元的突起末端都与多个神经元的突起相接触，形成非常复杂的网络。这个复杂的网络就是人体内信息传递和处理的结构基础。”某种程度上，深度神经网络中的计算节点，对应的就是大脑中的神经元；深度神经网络中由无数个计算节点构成的各个层则对应了大脑中的神经网络。

正是由于AI和大脑之间存在这样的相似之处，诸多科学家都把理解大脑的重任寄希望于AI。斯坦福大学的心理系助理教授Daniel Yamins博士就在探索AI的深度学习是如何仅凭好奇心来探索世界的，这极可能和人类在婴儿阶段初次认识世界的过程相若。除此之外，我们很难知道婴儿内心的真实想法，我们无法听懂婴儿的咿咿呀呀，也不能切开他们的大脑一探究竟（即便真的切开，恐怕也并没什么用）。

Yamins博士并非唯一有此想法的人，纽约福坦莫大学（Fordham University）认知神经科学助理教授Elissa Aminoff博士和她在匹兹堡卡耐基梅隆大学（Carnegie Mellon University）的同事就在尝试用功能性核磁共振（fMRI）扫描大脑活动时的影像，并将其与深度神经网络运作时的图像做对比，希望藉此发现二者之间的共通之处。对比后的信息不但可以帮助我们理解大脑的运作方式，还能反向回馈给神经网络以完善其算法。

▲截至发稿时的大脑分数公告牌排名（图片来源：brain-score.org网站截图）

但是要让AI的深度神经网络更拟人，科学家们似乎还有很长的路要走。麻省理工大学（MIT）的神经科学教授Jonas Kubilius博士和他的博士生不久前上线了一个大脑分数公告牌（Brain-score.org），用于展示各个深度神经网络在拟人方面的成果。意外的是，目前很多高分神经网络并非是和大脑最相似的设计。Kubilius教授的团队期望这个公告牌可以为深度神经网络的“进化”提供参考，以促进学界对于神经网络和大脑更深层次的理解。

或许在未来某天，深度神经网络可以真正达到拟人。对于科学家们而言，最重要的是：不要被想象束缚了手脚。

参考资料：

[1] Smarter AIs could help us understand how our brains interpret the world. Retrieved Dec 20, 2018 from https://www.sciencemag.org/news/2018/09/smarter-ais-could-help-us-understand-how-our-brains-interpret-world

[2] Can AI Help Us Understand the Human Brain? Retrieved Dec 20, 2018 https://www.geek.com/science/can-ai-help-us-understand-the-human-brain-1739189/

药明康德AI

药明康德微信团队专业打造。当人工智能遇上大健康，带你看全AI时代的智慧之光。

产业深度学习深度神经网络神经科学

相关数据

深度学习技术

深度学习（deep learning）是机器学习的分支，是一种试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。深度学习是机器学习中一种基于对数据进行表征学习的算法，至今已有数种深度学习框架，如卷积神经网络和深度置信网络和递归神经网络等已被应用在计算机视觉、语音识别、自然语言处理、音频识别与生物信息学等领域并获取了极好的效果。

来源：LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. nature, 521(7553), 436.

AlphaZero技术

DeepMind 提出的 AlphaZero 不仅征服了围棋，也在将棋、国际象棋等复杂游戏中实现了超越人类的表现。DeepMind 推出的 AlphaGo 曾在围棋项目中取得了超越人类的表现，其研究曾经两次登上 Nature。2018 年 12 月，AlphaGo 的「完全自我博弈加强版」AlphaZero 的论文又登上另一大顶级期刊 Science 的封面。在论文中，AlphaZero 不仅征服了围棋，也在将棋、国际象棋等复杂游戏中实现了超越人类的表现。

来源：机器之心

神经科学技术

神经科学，又称神经生物学，是专门研究神经系统的结构、功能、发育、演化、遗传学、生物化学、生理学、药理学及病理学的一门科学。对行为及学习的研究都是神经科学的分支。对人脑研究是个跨领域的范畴，当中涉及分子层面、细胞层面、神经小组、大型神经系统，如视觉神经系统、脑干、脑皮层。

来源：维基百科

神经网络技术

（人工）神经网络是一种起源于 20 世纪 50 年代的监督式机器学习模型，那时候研究者构想了「感知器（perceptron）」的想法。这一领域的研究者通常被称为「联结主义者（Connectionist）」，因为这种模型模拟了人脑的功能。神经网络模型通常是通过反向传播算法应用梯度下降训练的。目前神经网络有两大主要类型，它们都是前馈神经网络：卷积神经网络（CNN）和循环神经网络（RNN），其中 RNN 又包含长短期记忆（LSTM）、门控循环单元（GRU）等等。深度学习是一种主要应用于神经网络帮助其取得更好结果的技术。尽管神经网络主要用于监督学习，但也有一些为无监督学习设计的变体，比如自动编码器和生成对抗网络（GAN）。

来源：机器之心

神经元技术

（人工）神经元是一个类比于生物神经元的数学计算模型，是神经网络的基本组成单元。对于生物神经网络，每个神经元与其他神经元相连，当它“兴奋”时会向相连的神经元发送化学物质，从而改变这些神经元的电位；神经元的“兴奋”由其电位决定，当它的电位超过一个“阈值”（threshold）便会被激活，亦即“兴奋”。目前最常见的神经元模型是基于1943年 Warren McCulloch 和 Walter Pitts提出的“M-P 神经元模型”。在这个模型中，神经元通过带权重的连接接处理来自n个其他神经元的输入信号，其总输入值将与神经元的阈值进行比较，最后通过“激活函数”（activation function）产生神经元的输出。

来源：Overview of Artificial Neural Networks and its Applications. (2018). medium.com.

深度神经网络技术

深度神经网络（DNN）是深度学习的一种框架，它是一种具备至少一个隐层的神经网络。与浅层神经网络类似，深度神经网络也能够为复杂非线性系统提供建模，但多出的层次为模型提供了更高的抽象层次，因而提高了模型的能力。

来源：机器之心 Techopedia