人工智能已經(jīng)進入我們日常生活的搜索引擎。這與近年來巨大的計算能力有關。但是人工智能研究的最新結果表明，更簡單、更小的神經(jīng)網(wǎng)絡可以比以前更好、更有效、更可靠地解決某些任務。

來自維也納、奧地利和美國麻省理工學院的一個國際研究小組開發(fā)了一種新的人工智能系統(tǒng)，該系統(tǒng)基于微小動物的大腦，如絲蟲。這種新型的人工智能系統(tǒng)只需幾個人工神經(jīng)元就能控制一輛汽車。研究小組說，與以前的深度學習模型相比，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解釋。它不必被視為一個復雜的“黑匣子”，但它可以被人類理解。這種新的深度學習模型已經(jīng)發(fā)表在《自然機器智能》雜志上。

向大自然學習

與活的大腦類似，人工神經(jīng)網(wǎng)絡由許多單獨的細胞組成。當一個細胞活動時，它向其他細胞發(fā)送信號。下一個單元接收到的所有信號將被組合起來，以決定該單元是否也將變?yōu)榛顒訝顟B(tài)。一個細胞影響下一個細胞活動的方式?jīng)Q定了系統(tǒng)的行為——這些參數(shù)在自動學習過程中被調整，直到神經(jīng)網(wǎng)絡能夠解決特定任務。

“多年來，我們一直在研究我們可以從自然界學到什么來提高深度學習，”TU Wien研究小組“網(wǎng)絡物理系統(tǒng)”的負責人拉杜·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。”

麻省理工學院計算機科學與人工智能實驗室（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空間?！币虼?，我們的目標是大幅度降低神經(jīng)網(wǎng)絡模型的復雜性并提高其可解釋性。”

“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)學模型，”奧地利IST主席托馬斯·亨辛格教授說。

“單個細胞內信號的處理遵循不同于以往深度學習模型的數(shù)學原理，”Ramin Hasani博士說，他是計算機工程研究所、TU Wien和MIT CSAIL的博士后而且，我們的網(wǎng)絡是高度稀疏的——這意味著并不是每一個單元都與其他單元相連。這也使網(wǎng)絡更加簡單。”

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

“今天，具有數(shù)百萬個參數(shù)的深度學習模型通常用于學習復雜的任務，如自動駕駛，”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將網(wǎng)絡規(guī)?？s小兩個數(shù)量級。我們的系統(tǒng)只使用75000個可訓練參數(shù)?！?/p>

麻省理工學院CSAIL的博士生Alexander Amini解釋說，新系統(tǒng)由兩部分組成：攝像機輸入首先由所謂的卷積神經(jīng)網(wǎng)絡處理，后者只感知視覺數(shù)據(jù)，從輸入的像素中提取結構特征。這個網(wǎng)絡決定了攝像機圖像的哪些部分是重要的，然后將信號傳遞到網(wǎng)絡的關鍵部分——一個控制系統(tǒng)，然后控制車輛。

兩個子系統(tǒng)被堆疊在一起，同時被訓練。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，以及在任何特定情況下如何駕駛汽車的信息——直到系統(tǒng)學會自動將圖像與適當?shù)霓D向方向連接起來，并能獨立處理新情況。

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)轉換為轉向指令，僅由19個神經(jīng)元組成。Mathias Lechner解釋說，NCP比以前最先進的模型要小3個數(shù)量級。

因果關系和可解釋性

新的深度學習模式在真正的自主汽車上進行了測試?！蔽覀兊哪Ｐ驮试S我們調查網(wǎng)絡在駕駛時關注什么。我們的網(wǎng)絡關注的是攝像機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)中是獨一無二的。”此外，我們還發(fā)現(xiàn)，每個單元在任何驅動決策中的作用都是可以確定的。我們可以了解單個細胞的功能及其行為?！?/p>

穩(wěn)定性

“為了測試ncp與以前的deep模型相比有多穩(wěn)定，我們對輸入圖像進行了擾動，并評估了處理噪聲的能力，”Mathias-Lechner說雖然這對于其他深層神經(jīng)網(wǎng)絡來說是一個無法克服的問題，但是我們的ncp對輸入偽影表現(xiàn)出了很強的抵抗力。這個屬性是新的神經(jīng)模型和體系結構的直接結果?！?/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，我們還可以減少訓練時間，減少在相對簡單的系統(tǒng)中實現(xiàn)人工智能的可能性。我們的NCP能夠在廣泛的應用中實現(xiàn)模擬學習，從倉庫的自動化工作到機器人的移動。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器學習系統(tǒng)的替代品?！?br /> 責任編輯：YYX