是研究、開(kāi)發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門(mén)新的技術(shù)科學(xué)，所涉及的領(lǐng)域也非常廣泛。因此，一說(shuō)到人工智能，可能會(huì)有很多人認(rèn)為它是一項(xiàng)比較復(fù)雜的技術(shù)，但事實(shí)上它要比我們想象的簡(jiǎn)單。

我們需要多少信息來(lái)構(gòu)建一個(gè)人，更具體地說(shuō)是一個(gè)人的大腦？

畢竟，我們是迄今為止地球上最復(fù)雜的物種。為了解決這個(gè)問(wèn)題，我們的一些大腦認(rèn)為我們的大腦是宇宙中最復(fù)雜的結(jié)構(gòu)！

然而，番茄比人類(lèi)具有更多的基因，準(zhǔn)確地說(shuō)是7000多。

查看我們的基因，我們很難弄清我們所有復(fù)雜性的編碼位置。

大約只有20000個(gè)基因開(kāi)始，其中大約有一半與其他事物有關(guān)，例如建立手腳和重要器官。

從數(shù)學(xué)上講，我們的基因組在無(wú)損存儲(chǔ)后僅攜帶了2500萬(wàn)字節(jié)的大腦設(shè)計(jì)信息壓縮。

成年人在新皮層中所具有的10的15次方個(gè)連接，新皮層是大腦的最新部分，僅存在于靈長(zhǎng)類(lèi)動(dòng)物中，并且在智人中異常大。如果我們對(duì)基因的理解不完全錯(cuò)位，那么假設(shè)我們的大部分知識(shí)和能力直接在基因中編碼是不合理的。

唯一的選擇是，需要一種更簡(jiǎn)單、更有效的方法來(lái)定義我們的大腦和新皮質(zhì)的藍(lán)圖。

并以此構(gòu)建原型智能系統(tǒng)。

統(tǒng)一的腦功能理論

杰夫?霍金斯（Jeff Hawkins）在他的《關(guān)于智力的書(shū)》中抱怨說(shuō)，大腦的普遍圖片由高度專(zhuān)業(yè)化的區(qū)域組成。

他將這種情況與19世紀(jì)的生物學(xué)家越來(lái)越詳細(xì)地研究了各種各樣的物種而沒(méi)有留意生命背后的統(tǒng)一原理進(jìn)行了比較。直到道金斯（Dawkins）提出了他的進(jìn)化論之前，還沒(méi)有人知道如何用一種籠統(tǒng)的敘述來(lái)描述自然世界的多重表象。

同樣，大腦看起來(lái)可能由許多不同的高度專(zhuān)業(yè)化的大腦區(qū)域組成，但是它們明顯的專(zhuān)業(yè)化不應(yīng)使我們得出結(jié)論，即它們可能并非全部基于相同的解剖學(xué)和算法原理而工作。

實(shí)際上，我們觀察到新皮層的解剖結(jié)構(gòu)具有令人驚訝的同質(zhì)性。神經(jīng)可塑性表明，大多數(shù)大腦區(qū)域可以輕松承擔(dān)以前由其他大腦區(qū)域執(zhí)行的任務(wù)，從而在其設(shè)計(jì)原理后面顯示出一定的通用性。

諾曼?道奇（Norman Doidge）在暢銷(xiāo)書(shū)《改變自身的大腦》中講述了令人印象深刻的故事，講述了患者將整個(gè)感覺(jué)系統(tǒng)重新映射到大腦的新部分的過(guò)程，例如人們通過(guò)用相機(jī)記錄的視覺(jué)刺激，直接將視覺(jué)刺激映射到嘴里來(lái)學(xué)會(huì)用舌頭觀察。

對(duì)中風(fēng)患者的研究同樣表明，中風(fēng)喪失的能力通常是由新的大腦區(qū)域重新獲得的，而聾啞人可以重新繪制其Broca區(qū)域（負(fù)責(zé)語(yǔ)言處理）以控制其手部動(dòng)作，并通過(guò)手語(yǔ)進(jìn)行交流，而不是他們的嘴巴運(yùn)動(dòng)，以便與他們說(shuō)話(huà)。

大腦發(fā)揮不可思議的能力和靈活性來(lái)學(xué)習(xí)新事物。大多數(shù)人可以學(xué)習(xí)與他們一起成長(zhǎng)的任何一種語(yǔ)言，或者選擇在以后的生活中學(xué)習(xí)一種新的語(yǔ)言，也可以學(xué)習(xí)他們選擇的任何一種工具（公認(rèn)地獲得了不同的成功），依此類(lèi)推。

可塑性和靈活學(xué)習(xí)的事實(shí)可以解釋為，根據(jù)我們基因中信息的稀疏性，指向了新皮層的生物學(xué)設(shè)置及其所使用的學(xué)習(xí)算法所基于的通用結(jié)構(gòu)。

思想的結(jié)構(gòu)

很難將概念本身概念化，但是存在某些結(jié)構(gòu)和模式，并且這些結(jié)構(gòu)和模式深深地貫穿了我們認(rèn)知的各個(gè)方面。

正如雷?庫(kù)茲韋爾（Ray Kurzweil）在他的《如何創(chuàng)造思維》一書(shū)中所解釋的那樣：

我們以一種分層的方式來(lái)感知世界，這種方式由復(fù)雜度不斷提高的簡(jiǎn)單模式組成。他認(rèn)為，模式識(shí)別是所有思想的基礎(chǔ)，從最原始的模式到高度抽象和復(fù)雜的概念。

以語(yǔ)言和寫(xiě)作為例。細(xì)線(xiàn)構(gòu)成了我們可以識(shí)別為字母的模式。各種字母組成單詞，然后是句子。句子形成段落，整篇文章。最后，從以高度特定的方式排列的少量最小模式中，出現(xiàn)了敘事和意義。

模式識(shí)別生物學(xué)

現(xiàn)代神經(jīng)影像學(xué)數(shù)據(jù)表明，新皮層由稱(chēng)為皮質(zhì)柱的結(jié)構(gòu)的均勻組合組成。每個(gè)人都由大約100個(gè)神經(jīng)元組成。

Kurzweil提出，這些列構(gòu)成了他所謂的最小模式識(shí)別器。通過(guò)將模式識(shí)別器的各層彼此連接起來(lái)，可以創(chuàng)建概念層次結(jié)構(gòu)，每個(gè)模式識(shí)別器都專(zhuān)門(mén)根據(jù)許多可能的感官模式（如眼睛，耳朵，鼻子）的輸入來(lái)識(shí)別單個(gè)模式。

在基本特征提?。ɡ?a target="_blank">檢測(cè)視覺(jué)刺激中的邊緣或識(shí)別音調(diào)）的基礎(chǔ)上，這些模式會(huì)疊加起來(lái)以形成越來(lái)越復(fù)雜的模式。

分層檢測(cè)視覺(jué)數(shù)據(jù)中復(fù)雜程度不斷提高的模式，從而導(dǎo)致諸如"大象"或"企鵝"之類(lèi)的抽象標(biāo)簽。

模式識(shí)別器不限于處理視覺(jué)或聽(tīng)覺(jué)刺激。它可以將各種信號(hào)作為輸入處理，并根據(jù)輸入中包含的結(jié)構(gòu)生成輸出。學(xué)習(xí)意味著連接模式識(shí)別器并學(xué)習(xí)其權(quán)重結(jié)構(gòu)，基本上是他們對(duì)彼此輸入的反應(yīng)有多強(qiáng)，以及它們彼此之間有多少相互聯(lián)系，類(lèi)似于學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)時(shí)所做的。

但是，大腦在善于解決許多不同任務(wù)的同時(shí)又如何如此均質(zhì)呢？答案可能在于神經(jīng)科學(xué)和計(jì)算機(jī)科學(xué)的交集。

信息的作用

視覺(jué)，聽(tīng)覺(jué)和感覺(jué)信息有什么共同點(diǎn)？顯而易見(jiàn)的答案是，這些都是某種信息。

坦率地說(shuō)，信息的定義有些棘手，并且在信息時(shí)代被扔得太多了，但在大腦進(jìn)行信息處理的背景下，它具有技術(shù)意義。要了解這種體系結(jié)構(gòu)如何對(duì)我們?nèi)绱擞行В鸵~出第一步，那就是要意識(shí)到可以將大腦視為一種信息處理設(shè)備。

神經(jīng)元（神經(jīng)計(jì)算的基礎(chǔ)貨幣）的輸入有很多統(tǒng)一性。大腦正在處理的任何信號(hào)，總是由神經(jīng)元的時(shí)空激發(fā)模式組成。我們?cè)谕獠渴澜缰杏^察到的每種模式都在我們的感覺(jué)器官中編碼為神經(jīng)激發(fā)模式，然后根據(jù)庫(kù)茲韋爾的說(shuō)法，模式識(shí)別器的層次結(jié)構(gòu)會(huì)向上和向下流動(dòng)，直到成功提取含義為止。

神經(jīng)科學(xué)證據(jù)得到計(jì)算機(jī)科學(xué)思想的支持。佩德羅?多明戈斯（Pedro Domingos）在他的《大師算法》一書(shū)中提出，我們可能會(huì)找到一種通用算法，只要有正確的數(shù)據(jù)，該算法就可以使我們學(xué)習(xí)到幾乎所有我們能想到的東西。

這種通用學(xué)習(xí)算法甚至可以由已經(jīng)存在的學(xué)習(xí)算法（例如貝葉斯網(wǎng)絡(luò)、連接論或符號(hào)論方法、進(jìn)化算法，支持向量機(jī)等）的混合組成。

盡管我們還不確定如何從算法的角度學(xué)習(xí)大腦，但是大腦也可能使用類(lèi)似于該通用算法的東西。作為最基本的例子，當(dāng)然有希伯來(lái)語(yǔ)學(xué)習(xí)，它已在某種程度上發(fā)生在大腦中。對(duì)于更復(fù)雜的算法，研究人員一直在嘗試尋找生物學(xué)上可行的機(jī)制來(lái)在大腦中實(shí)現(xiàn)反向傳播，以及其他許多方面。

但是很明顯，大腦非常擅長(zhǎng)學(xué)習(xí)，并且需要以一種原則上可以理解并且很可能在計(jì)算機(jī)上建模的方式來(lái)做到這一點(diǎn)。

神經(jīng)網(wǎng)絡(luò)中的信息丟失

識(shí)別模式的訣竅是對(duì)其進(jìn)行解碼，以解析隱藏在信號(hào)內(nèi)部的相關(guān)信息。了解大腦的行為方式可能是了解智力如何運(yùn)作的關(guān)鍵步驟之一。

On Intelligence的作者Jeff Hawkins抱怨我們?cè)谘芯啃畔⒃诖竽X中的作用時(shí)工具的匱乏，但是在理解計(jì)算體系結(jié)構(gòu)中的信息流方面取得了越來(lái)越多的進(jìn)步。

今年夏天，以色列神經(jīng)科學(xué)家納夫塔利?提什比（Naftali Tishby）關(guān)于信息瓶頸方法的兩次演講。他以閃閃發(fā)光的眼睛和熱情吸引著整個(gè)人群，他解釋了當(dāng)深度神經(jīng)網(wǎng)絡(luò)從輸入數(shù)據(jù)中提取相關(guān)特征時(shí)如何過(guò)濾信息。

該理論闡明了信息在深度神經(jīng)網(wǎng)絡(luò)中的流動(dòng)方式，并提供了一個(gè)很好的理由，說(shuō)明深度網(wǎng)絡(luò)往往比淺層網(wǎng)絡(luò)工作得更好。

當(dāng)我們從300x300像素的圖片中識(shí)別出人臉時(shí)，我們就有90000像素包含信息，但是如果你知道通常由什么構(gòu)成的人臉，則人臉信息的特征就少得多（例如，相關(guān)特征，例如眼睛、嘴巴的寬度、鼻子的位置等）。

例如，在一些深層次的生成模型中使用了此概念，在該模型中，學(xué)習(xí)了數(shù)據(jù)的潛在低維表示形式，然后將其用于生成高維，輸出逼真的外觀。

神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法，例如隨機(jī)梯度下降，使網(wǎng)絡(luò)可以通過(guò)有效地從輸入中拋出所有不相關(guān)的信息來(lái)過(guò)濾出相關(guān)的模式，例如Ian Goodfellow在他的著作《深層》中指出的那樣，在對(duì)照片中的物體進(jìn)行分類(lèi)時(shí)忽略了照片的背景。

Tishby將其與從瓶子底部流到頂部的水進(jìn)行比較：瓶頸變得越來(lái)越緊密，信息流通的越來(lái)越少。但是，如果瓶頸設(shè)置得當(dāng)，到達(dá)頂部的水最終將攜帶所有必要的信息。

之所以提出這一點(diǎn)，是因?yàn)槲艺J(rèn)為這種信息理論的觀點(diǎn)可以幫助我們理解由模式識(shí)別器組成的新皮層的概念。

模式識(shí)別器從數(shù)據(jù)中提取模式。這些模式僅構(gòu)成輸入的一小部分，因此，實(shí)質(zhì)上，大腦的模式識(shí)別器被設(shè)置為從我們的感知數(shù)據(jù)中提取與我們的生存相關(guān)的信息，并將此提取的數(shù)據(jù)分類(lèi)為知識(shí)層次結(jié)構(gòu)。然后，我們可以使用這些命令將秩序帶入混亂的世界，增加我們生存的機(jī)會(huì)。

這是大腦的工作。它的核心是不斷地從數(shù)據(jù)中學(xué)習(xí)有用模式的信息過(guò)濾和排序設(shè)備。

這很可能是我們所認(rèn)為的智能的核心，因此在構(gòu)建自己的智能系統(tǒng)時(shí)，我們不妨從中學(xué)到一些東西（就像我們已經(jīng)學(xué)過(guò)的一樣）。

為什么智慧可能比我們想象的要簡(jiǎn)單

在我們"解決"智能之前，有許多問(wèn)題需要解決。正如Yann LeCun指出的那樣，推斷因果關(guān)系或一般常識(shí)知識(shí)結(jié)構(gòu)是一個(gè)大問(wèn)題，并且在算法中建立世界的預(yù)測(cè)模型在許多其他必要步驟中可能是必要的下一步。

在訓(xùn)練機(jī)器人智能地執(zhí)行任務(wù)時(shí)，在會(huì)遇到其他與更好的目標(biāo)功能相關(guān)的懸而未決的問(wèn)題。聰明意味著解決問(wèn)題，而其中的一個(gè)主要方面是找出定義目標(biāo)然后實(shí)現(xiàn)這些目標(biāo)的最佳方法，在大腦中，這種作用被認(rèn)為是基底神經(jīng)節(jié)發(fā)揮的作用。

因此，僅堆疊模式識(shí)別器就不會(huì)突然帶來(lái)像人類(lèi)一樣在推理周?chē)\(yùn)轉(zhuǎn)的機(jī)器人。

我仍然認(rèn)為，由新證據(jù)支持的遺傳密碼中所包含的信息稀疏性，證明了新皮層及其學(xué)習(xí)算法的簡(jiǎn)單性和通用性，應(yīng)該讓我們停下來(lái)，并抓住機(jī)會(huì)在不久的將來(lái)建造高度智能的機(jī)器，庫(kù)茲韋爾預(yù)測(cè)機(jī)器將在2029年通過(guò)圖靈測(cè)試，并在2045年通過(guò)人類(lèi)水平的AI。

正如安德森（PW Anderson）在其有關(guān)科學(xué)層次的所說(shuō)，如果我們找到正確的方法來(lái)擴(kuò)大簡(jiǎn)單事物的使用范圍，更多的事情就會(huì)有所不同，并且更多的可能來(lái)自于簡(jiǎn)單事物的使用。在深度學(xué)習(xí)的最新成功中，其中一些已經(jīng)很明顯，深度學(xué)習(xí)與擴(kuò)大可用數(shù)據(jù)和計(jì)算能力緊密相關(guān)。

對(duì)我來(lái)說(shuō)，理解和建立自己的智慧絕對(duì)是令人振奮的前景。

但是，正如許多人強(qiáng)調(diào)的那樣，人工智能的興起可能對(duì)整個(gè)人類(lèi)產(chǎn)生重大影響，應(yīng)將其視為一個(gè)問(wèn)題。即使我們高估了這個(gè)問(wèn)題，我們也應(yīng)該比后悔更安全。

因?yàn)楫吘勾笞匀煌ㄟ^(guò)進(jìn)化的盲目產(chǎn)生了智力。看來(lái)我們可能很快也會(huì)提出類(lèi)似人類(lèi)的人工智能。

? ? ? ?責(zé)任編輯:zl