兩項分別由英國人工智能實驗室DeepMind與由德國和希臘的研究人員進行的研究顯示了AI與神經科學之間有着令人着迷的關係.
就像大多數科學家說的那樣，我們距開發能夠像人類一樣有效地解決問題的人工智能還差幾十年。在創造通用AI的道路上，人腦（可以說是最複雜的自然創造）是我們掌握的最佳指南。
神經科學對神經系統的研究，爲大腦如何工作提供了有趣的見解，大腦是開發更好的AI系統的關鍵組成部分。相應地，更好的AI系統的開發可以幫助推動神經科學向前發展，並進一步釋放大腦的祕密。
例如，卷積神經網絡（CNN）是人工智能最新進展的關鍵貢獻者之一，它很大程度上受到視覺皮層神經科學研究的啓發。另一方面，神經科學家利用AI算法研究來自大腦的數百萬個信號，並找出可能消失的模式。這兩個領域密切相關，它們的協同作用產生了非常有趣的結果。
神經科學領域的最新發現表明，我們在AI方面正在做的正確的事情，以及我們做錯了什麼。
DeepMind的AI研究顯示多巴胺與強化學習之間的聯繫
DeepMind的研究人員最近進行的一項研究證明，人工智能研究（至少是其中的一部分）正朝着正確的方向發展。
感謝神經科學，我們知道人類和動物學習的基本機制之一就是獎懲。積極的結果會鼓勵我們重複某些任務（做運動，學習考試等），而消極的結果會阻止我們重複犯錯（觸摸火爐）。
俄羅斯生理學家伊凡·帕夫洛夫（Ivan Pavlov）的實驗最爲人所知，這種獎罰機制是訓練狗在聽到鈴鐺時會期待食物。我們還知道，多巴胺是中腦產生的一種神經遞質，在調節大腦的獎勵功能中起着重要作用。
強化學習(RL)是人工智能研究中最熱門的領域之一，它是根據大腦的獎賞/懲罰機制而大致形成的。在RL中，設置了AI代理來探索問題空間並嘗試不同的操作。對於其執行的每個動作，代理都會收到數字獎勵或懲罰。通過大量的試驗和錯誤，並檢查其操作的結果，AI代理開發了一種數學模型，該模型經過了優化，可以最大程度地提高獎勵並避免懲罰。
最近，AI研究人員一直致力於分佈增強學習以創建更好的模型。分佈式RL的基本思想是使用多種因素以一系列樂觀和悲觀的方式預測獎懲。分佈強化學習對於創建對環境變化更具彈性的AI代理至關重要。
這項新的研究是由哈佛大學和DeepMind共同完成的，並於上週在《自然》雜誌 上發表。該研究發現，小鼠大腦的特性與分佈強化學習的特性非常相似。AI研究人員測量了大腦中的多巴胺激發率，以檢查生物神經元的獎勵預測率的差異。
有趣的是，在小鼠的神經系統中發現了AI科學家在分佈式強化學習模型中編程的樂觀和悲觀機制。DeepMind的研究人員在AI實驗室網站上發佈的博客文章中寫道：“總而言之，我們發現大腦中的多巴胺神經元每個都被調到了不同的悲觀或樂觀水平。“在人工強化學習系統中，這種多樣化的調整會產生更豐富的訓練信號，從而極大地加快了神經網絡的學習速度，我們推測大腦可能出於相同的原因使用它。”
使這項發現與衆不同的是，儘管AI研究通常從神經科學發現中汲取靈感，但在這種情況下，神經科學研究已經驗證了AI發現。研究人員寫道：“它使我們對AI研究走上正軌的信心增強，因爲該算法已被我們所知道的最智能的實體：大腦使用。”
這也將爲神經科學的進一步研究打下基礎，這反過來將有利於AI領域發展。
神經元並不像我們想象的那樣愚蠢
儘管DeepMind的新發現證實了AI強化學習研究的成果，但柏林科學家的另一項研究卻於1月初發表在《科學》雜誌上，這證明我們對大腦所做的一些基本假設是完全錯誤的。
關於大腦結構的普遍信念是，神經元是神經系統的基本組成部分，它們是簡單的積分器，用於計算其輸入的加權總和。基於這種理念，設計了一種流行的機器學習算法類型：人工神經網絡。
單獨地，人工神經元執行非常簡單的操作。它需要幾個輸入，將它們乘以預定義的權重，求和後再通過激活函數運行它們。但是，當多層連接成千上萬（十億）個人工神經元時，您將獲得一個非常靈活的數學函數，可以解決複雜的問題，例如檢測圖像中的對象或記錄語音。
人工神經元的多層網絡（通常稱爲深度神經網絡）是過去十年中深度學習革命背後的主要動力。
但是，對生物神經元是基本數學的“愚蠢”計算器的普遍認識過於簡單。德國研究人員的最新發現後來被希臘的神經科學家證實，證明了單個神經元可以執行XOR運算，這一前提遭到了AI先驅者如Marvin Minsky和Seymour Papert的拒絕。
儘管並非所有神經元都具有這種能力，但這一發現的意義是重大的。例如，這可能意味着單個神經元可能在其內部包含一個深層網絡。賓夕法尼亞大學的計算神經科學家康拉德·科爾丁（Konrad Kording）並未參與這項研究，他對《廣達雜誌》（Quanta Magazine）表示，這一發現可能意味着“單個神經元可能能夠計算出真正複雜的功能。例如，它本身可能就能識別出一個物體。”
這對人工智能研究意味着什麼？至少，這意味着我們需要重新考慮我們對神經元的建模。它可能會刺激對具有不同類型神經元的新型人工神經元結構和網絡的研究。也許它可以幫助我們擺脫必須構建超大型神經網絡和數據集來解決非常簡單的問題的陷阱。
外語原文鏈接： https://bdtechtalks.com/2020/01/20/neuroscience-artificial-intelligence-synergies/