人工智能的最新进展惹人注目。人工体系在Atari视频游戏、古老的棋类游戏围棋以及扑克游戏中已经优于仁攀类专业玩家。它们还可以生成与仁攀类无差其余笔迹和语音、在多种说话之间翻译，甚至将你的假期照片用梵高的风格进行风格重塑。

这些进步可以归结为几个身分，包含新型统计办法的应用和计算机计算才能的增长。然则我们比来在Neuron杂志揭橥的不雅点认为，有一个身分经常被忽视，即实验神经科学和理论神经科学的供献。

人工智能研究者大年夜神经科学中汲取思惟来建立新的技巧，神经科学家大年夜人工智能体的行动中进修，以更好地解释生物大年夜脑——如不雅这两个范畴要持续地借助彼此的思惟成长，并创建一个良性轮回，那么这种一来一往的启发是必须的。事实上，因为近期的各种进展，例如光遗传学，它许可我们精确地测量和把持脑晃荡，产生大年夜量可以或许应用机械进修对象进行分析的数据。

心理学和神经科学在人工智能的成长史上起着关键感化。人工智能的奠定人物诸如 Donald Hebb、Warren McCulloch、Marvin Minsky 以及Geoff Hinton，最初都是被想要懂得人脑工作道理的欲望所鼓励。事实上，在全部20世纪末期，大年夜部分开辟神经收集的关键工作并没有产生在数学或者物理实验室，而是在心理学和神经心理学系。

正因为如斯重要，精力经科学范畴和人工智能范畴结合起来的需求比以往任何时刻都加倍急切。

在DeepMind，我们认为，尽管这两个范畴都获得了快速成长，然则研究人员不该该忽视这个不雅点。我们督促神经科学和人工智能范畴的研究者们去寻求一种可以或许让常识骰荻髟笊流动的合营说话，让常识的自由流动来推动这两个范畴持续向前成长。

对人工智能研究来说，大年夜神经科学汲取灵感是异常重要的，我们认为有两个原因：第一，神经科学可以或许赞助验证已经存在的人工智能技巧。简而言之，如不雅我们发明我们的一种人造算法可以或许模仿人脑中的某个功能，这注解我们的办法或许在精确的偏向上了。第二，在构建人造大年夜脑的时刻，神经科学可认为新型的算法和构造供给丰富的灵感来源。汗青上，传统的人工智能办法都是由基于逻辑的办法和基于理论数学的模型所主导。我们认为神经科学可以经由过程辨认可能对认知功能很关键的生物计算类别对此进行弥补。

以一个比来在神经科学范畴的重要发明为例：离线体验「回放」的发明。在睡眠或者安静歇息的时刻，生物大年夜脑会「回放」由早期活泼时段生成的神经晃荡。例如，当老鼠穿过迷宫的时刻，「处所」单位跟着老鼠的活动会激活。在歇息的时刻，在老鼠的大年夜脑中不雅察到了雷同的神经晃荡序列，貌似老鼠会在精力上从新想象它之前的晃荡，并用它们却竽暌古化将来的行动。事实上，对回放的干扰会伤害它们后来进行同样义务时的表示。

乍一看，构建一个须要「睡眠」的人工智能体似乎是反直觉的——毕竟，它们应当在它们的法度榜样员睡觉之后在一个可计算的问题上耗很多时光。然则这个原则倒是我们的deep-Q Network（DQN）的关键部分，这是一个仅仅依附原始像素和分数作为输入，经由过程进修可以或许把Atari 2600游戏控制到跨越仁攀类的程度的算法。DQN经由过程存储一个它可以或许离线「回想」的练习数据的子集来模仿「经验回放」，这使得它可以或许大年夜以前的掉败和成功中进修到新的器械。

如许的成功给了我们信念，神经科学早已成为人工智能思惟的重要源泉。瞻望将来，我们信赖神经科学在赞助我们处理一些仍未解决的问题上会变得弗成或缺，例如高效进修、懂得物理世界和想象力。

【编辑推荐】

1. 《态牛-Tech Neo 3月刊良石工智能与移动》全新改版上线
2. 世界上还没有人工智能？我们被深度进修骗了吗
3. DeepMind解密黑箱第一步：本来神经收集的认知道理和仁攀类是一样的！
4. 人工智能的三个阶段：我们正大年夜统计进修走向语境适应
5. 人工智能在线特点体系中的数据存取技巧

【义务编辑：张子龙 TEL：（010）68476606】

想象力对仁攀类和动物来说一个十分重要的功能，想象力许可我们在仍未产生的情况下就可以筹划将来，当然这是有价值的。举个简单的例子，比如计整洁个假期。为了做到这件事，我们要应用我们关于这个世界的常识或者「模型」，并且用它来及时地推动或者评估将来的状况。这许可我们枷⒚须要走的路径，或者打包在好天穿的衣服。尽管仁攀类神经科学的前沿研究正在开端揭示支撑这种思维的计算体系和机制，然则很多这种新的懂得尚未在人工模型中获得应用。

当下人工智能研究的另一个重要挑衅就是迁徙进修。为了可以或许高效应对新情况，人工智能体须要在现有常识的基本上构建作出明智决定计划的才能。仁攀类早已精于此道良士可以开汽车、应用标记本或者可以或许主持一个会议，此外，在面对不熟悉的车辆、操作体系或者社会情况的时刻仁攀类平日也可以或许有效应对。

朝着懂得这种情况若何产生在人工智能体系中这个目标，研究者如今开端迈出了第一步。例如，一种叫做「渐进收集（progressive network）」的新型收集构造可以或许应用在一个视频游戏中习得的常识去进修别的一个视频游戏。在大年夜仿真机械臂向实际手臂迁徙常识的场景中也应用雷同的构造，这大年夜大年夜地缩短了练习时光。有趣的是，这些收集与仁攀类的持续义务进修模型有某些类似之处。这些接洽注解将来的人工智能研究异常有可能大年夜神经科学的工作中进修到一些器械。

　　推荐阅读

　　除了自然语言处理，你还可以用词嵌入（Word2Vec）做这个

当应用机械进修办法来解决问题的时刻，拥有合适的数据是异常关键的。不幸的是，平日情况下的原始数据是「不干净」的，并且长短构造化的。天然说话处收成NLP）的大年夜颐魅者深谙此道，因为他们所用的数据都是文本的。>>>详细阅读

本文标题：DeepMind：把人工智能和神经科学结合起来，实现良性循环

地址：http://www.17bianji.com/lsqh/36551.html

 1/2    1