【我們為什麼挑選這篇文章】 人工智慧研究是機器學習的發展源頭，而機器學習現在面對的問題就是：要如何讓電腦將學習到的『經驗』自動消化成為新技能？
Alphabet 旗下的人工智慧公司 DeepMind 認為神經科學研究將幫助人工智慧突破這一大困境：讓 AI 學會自己從以往的成功或失敗中學習，並且 讓 AI 能夠對沒遇過的新狀況快速反應！（責任編輯：劉庭瑋）
本文作者：楊曉凡
Alphabet 旗下人工智慧公司 DeepMind ，認為人工智能研究從神經科學中獲得了諸多啓發，他們相信這才是正確的路線，而且希望兩個學科互相學習、共同提高
傳統神經理論研究，對機器學習研究進展大有助益？
雷鋒網(公眾號：雷鋒網) AI 科技評論按：繼神經科學家成為機器學習領域會議的邀請演講的常客以後，DeepMind AI 博客今天也發出了一篇文章講述他們對人工智能研究和神經科學研究協作的看法。他們覺得兩個領域的協作不僅很有好處，而且現在已經變得緊迫。雷鋒網 AI 科技評論編譯如下。
人工智慧近期取得了舉世矚目的成果，在學會玩 Atari 遊戲、下圍棋、德州撲克以後，它們現在生成的手寫文本和對話也幾乎跟人類的一樣，可以做多種語言的翻譯，甚至可以把生活照片變得和梵高的大作一樣。這些進步要歸功於新的統計方法和計算機不斷增加的計算能力等一些原因。不過在一篇近期發表於「神經元」期刊的文章中，DeepMind 的研究者們提出了這樣的一個觀點：來自實驗和理論神經科學的想法對人工智慧研究也大有幫助，而且往往被忽視了。
心理學與神經科學最有用
心理學和神經科學在 AI 的發展歷程中扮演過重要的角色。Donald Hebb、Warren McCulloch、Marvin Minsky、Geoff Hinton 這些奠基人一開始的動力都是想要弄清大腦是如何工作的。然而實際上，從上個世紀晚期以來，在神經網絡發展過程中起到重要作用的研究大多數都不是在數學和物理實驗室中完成的，而要歸功於心理學和神經生理學學科的研究者們。
在充滿了挑戰的現在，神經科學和人工智慧領域攜手研究的需求前所未有地強烈。
DeepMind 的研究人員們認為，即便這兩個領域都在飛速發展，研究者也應當抱有這種遠見。他們急切地希望神經科學的研究者們可以和人工智慧的研究者們一起找到一種共同的語言，可以讓知識在兩個領域之間自由地流動，從而推動兩個領域內研究的長期共同進步。
與神經科學家共事的優勢？
DeepMind 的研究人員們覺得 AI 研究中一個重要的因素是從神經科學中獲得靈感，有兩個原因。首先，神經科學可以幫助驗證已有的 AI 技術。簡單來說，如果研究者們發現的某些算法能夠模仿大腦中的某個功能，這很有可能意味著這些研究是想著正確的方向去的。第二條原因是，神經科學可以在構建人造大腦時為新的算法類型和架構提供豐富的啓發。以往的 AI 實現方案幾乎都是基於邏輯的方法和理論性的數學模型，DeepMind 的研究人員們認為神經科學可以發現多種可能對認知功能起到關鍵作用的生物計算方式，這樣就可以對現有的方法和模型做出補充。
『經驗回放』讓 AI 學會自己從以往的成功或失敗中學習
舉一個近期的例子，經驗的離線「回放」就是神經科學界的啓發性的發現。生物大腦在活動期間會產生一些神經活動，然後在之後的睡眠或者安靜休息的時候，大腦就會「回放」這些活動的短期模式。比如，當老鼠穿過迷宮的時候，跟地點相關的細胞就會在老鼠四處移動的過程中一直活動。等到老鼠休息的時候就可以再次在它的大腦中觀察到同樣的神經活動序列，彷彿老鼠們正在腦中想象它們當時的行動，然後用它們來優化未來的行為。這種猜測也得到了證實，如果干擾它們的「回放」過程，就會影響它們稍後再次進行同樣任務時的表現。
DQN 網絡是一類通用智能體，它們可以持續地讓自己的行為適應新環境，而「經驗回放」功能就是 DQN 網絡中的關鍵元素。
如果說要造一個需要「睡覺」的智能體，聽起來彷彿怪怪的，畢竟它們本來應該在製造它們的人睡覺以後還要能夠反復琢磨計算問題才行。不過這種模式是 DeepMind 的 deep-Q 網絡 的關鍵部分，這個算法已經學會了搞定各種 Atari 2600遊戲，表現遠超人類，還僅僅需要原始的顯示像素點和遊戲分數作為輸入就可以做到。這個 DQN 就通過存儲一部分訓練數據然後「離線」重看的方式模仿了「經驗回放」，讓它能夠再次從以往的成功或失敗中學習。
類似這樣的成功的驗證成果讓 DeepMind 的研究人員們有了很多信心，神經科學已然成為了他們的 AI 研究思路的重要來源。但是如果著眼未來，在他們需要幫忙解決高效學習、現實世界理解、想象等未解問題的時候，神經科學將會變得不可或缺。
想象力是人類和動物具有的一種非常重要的能力，讓我們無需行動就可以對未來情境做出規劃，避免了不少成本付出。舉個簡單的例子，比如規劃假期，我們就要運用我們對世界的知識（腦內的「模型」），然後靠它對未來會發生什麼做出預測，評估未來的狀況，這樣我們就可以決定要選哪條路、或者要裝哪些晴朗的天氣里穿的衣服。最前沿的人類神經科學研究已經開始能夠揭露這種思考方式背後的計算和系統機制，但是真正應用到人工智能模型中的這些新理解還非常少。
『遷移學習』讓 AI 能夠對沒遇過的新狀況快速反應
另一件現代 AI 研究中的重要挑戰是遷移學習，為了能夠高效地應對新的狀況，人造智能體們需要這種在現有知識基礎上做出合理決定的能力。這方面人類已經很擅長了，隨便一個會開車、會用電腦、能主持會議的人在面對不熟悉的汽車、不熟悉的操作系統、不熟悉的社交狀況的時候都能夠對付得來。
為了研究把這種能力賦予人造系統的可能性，研究者們已經開始著手做初步的嘗試。比如一類稱作「漸進網絡」的新的網絡架構就可以學會一個電腦遊戲以後，根據這些知識學會玩另一個遊戲。同樣的架構也可以用來把從模擬機器人手臂上學到的知識遷移到真實的機器手臂上，極大地減少了訓練時間。有意思的是，這些網絡跟人類的序列學習模型有一些共同點。這些誘人的聯繫表明瞭未來的 AI 研究會有很多從神經科學的研究中學習的機會。
然而，神經科學如何從 AI 研究中獲益？
不過 DeepMind 的研究人員們認為知識的交換不應該是單向的，神經科學也可以從 AI 研究中獲益。比如強化學習這一現代 AI 研究的主要方法之一，最開始來自於心理學領域的動物學習理論，然後被機器學習的研究者們發揚光大。這些想法後來也反哺回了神經科學研究中，幫助我們理解一些神經生理學現象，比如哺乳動物基底神經節中多巴胺神經元的激活特性。
這種來回交流對兩個領域借助對方的見解不停發展至關重要，從而構建了一個正向的循環，其中 AI 研究者運用神經科學的想法構建新的技術，神經科學家可以從人造智能體的行為中更好地學習如何闡釋生物大腦。確實，這樣的循環能夠得到加速，近期的技術發展功不可沒，比如光遺傳學就可以讓我們精確地測量和控制大腦活動，從中獲取的大量數據還可以用機器學習領域的工具進行分析。
所以 DeepMind 的研究人員們認為把智慧轉化為算法，然後把算法和人類大腦相比較，已經成為當前至關重要的事情。他們希望 AI 可以成為創造新知識、推進科技探索前沿的工具，那麼這樣的做法不僅可以支持對 AI 的研究，更可以讓大家更加理解自己的大腦中都發生了什麼。這有可能照亮神經科學中最難解的神秘問題，比如創造力和夢的本質，甚至有一天可以解釋意識是怎麼回事。面對著這麼多難題，讓神經科學和人工智能聯手向前已經變得前所未有地緊迫。
via DeepMind Blog，雷鋒網 AI 科技評論編譯
論文地址：http://www.cell.com/neuron/fulltext/S0896-6273(17)30509-3
（本文經合作夥伴 雷鋒網 授權轉載，並同意 TechOrange 編寫導讀與修訂標題，原文標題為 〈 DeepMind 眼中的神經科學研究：人工智能進步的另一個重要支點 〉。）
延伸閱讀
如果其他國家是獅子，台灣應當 AI 產業中多得數不清的螞蟻——台科大教授盧希鵬談人工智慧發展
IBM、Google、Amazon 人工智慧技術遭質疑！AI 和機器學習、數據分析差別究竟在哪？
intel 放大招啦！隨插即用的「USB」人工智慧，一棒在手希望無窮啊！
《人類大歷史》作者談 21 世紀人工智慧最大危機
未來 45 年內，哪些產業將消失？350 位人工智慧專家點名暢銷作家、外科醫生
