作為代表自然界擁有最通用智能的生物大腦，可以借助低功耗和少量后天數據，實現在復雜環境下執行復雜任務的智能行為。因此，探索生物大腦智能認知的底層機理和復雜行為背后的神經科學基礎，對于探索智能的本質，以及推動通用人工智能（AI）研究發展具有重要意義。
在近期舉辦的2021北京智源大會上，國內外科學家圍繞通用AI的發展，分享了類腦研究領域最新成果，以及AI未來發展可能存在的瓶頸及相應的解決思路。
通用AI成研究熱點
通用AI是指具有一般人類智慧，可以執行人類能夠執行的任何智力任務的機器智能。一些研究人員也將通用AI稱為強AI或者完全AI。
日本理化學研究所榮休教授甘利俊一曾在1967年提出了隨機梯度下降算法，并首次將其用于多層感知機訓練。在1972年，甘利俊一提出了聯想式記憶模型。“通用AI是未來發展趨勢，而我們的工作是努力用算法、學習機制來貼近通用AI。”甘利俊一表示，例如深度網絡學習等方法的發展，將有助于通用AI的實現。
目前，AI主要用于定制解決方案。大多數AI系統是建立在單一類型上的，例如在圖片或聲音數據上工作。大部分AI系統都只為解決一個特定的問題，且很多系統都只針對單個數據集進行優化。
隨著通用AI的發展，大腦學習機制和AI的聯系越來越深刻。英國倫敦大學學院蓋茨比計算神經科學中心主任彼得·達揚表示，可以從AI的算法獲得啟發解釋腦科學機制，也可以從豐富而有效的大腦學習機制中獲得啟發和學習，發展更多新的人工強化學習方法，AI應與大腦“聯姻”。
借鑒大腦學習機制
瑞典皇家理工學院教授科塔萊斯基是歐盟人類腦計劃的負責人。科塔萊斯基表示，可以在高精度模型上探索大腦的通用智能，從大腦結構和功能入手探索通用AI的新方向。
基底核是大腦中多巴胺分泌最豐富的核團，在醫學上和帕金森氏癥密切相關，而AI領域目前最熱的強化學習理論也源自基底核工作原理。
“借鑒大腦的功能，以無監督學習的方式，可以實現機器的自感知、自適應、自驅動，同時進行躲避障礙與向目標物體游動的行為。”科塔萊斯基展現了如何從分子、細胞和神經回路的尺度上，精巧地還原大腦運動和感知相結合的工作原理，并成功模擬了鰻魚在復雜水流中的運動情況。
“大腦的機制與機器的學習機制有很大差別，這些差異使一些對人來說很簡單的事情，對AI卻很困難，也使得AI只能勝任特定任務，而不具備通用智能。”德國法蘭克福高等研究院的丹科·尼科利奇通過多個方面的對比研究闡述了大腦的工作機理和與深度學習的差異。
不過，尼科利奇表示，類腦智能的研究需要進一步深入理解這些本質差異，并提出有效的解決方案；同時，可以借鑒人類大腦在概念表征、情境信息處理等方面的工作機理，提高機器智能的感知和認知能力。
美國約翰斯·霍普金斯大學認知科學系和計算機科學系特聘教授艾倫·尤爾建議，應該通過研究人類視覺感知的規律，并使用更嚴格的性能指標來挑戰和評估算法，解決對抗性攻擊、對環境信息過于敏感等算法弱點。“尤其是向人類視覺學習，開發具有組合性的模型，并開發出性能與人類視覺系統一樣好或更好的算法。”
打造生物智能開源開放平臺
AI的發展得益于神經科學、認知科學等領域的重大發現，而目前的AI與腦科學之間還存在一些錯位，彌合這些缺口可能是解決當前AI某些不足的關鍵。
北京大學人工智能研究院助理研究員杜凱認為，當前的AI與大腦的神經計算差距還非常大，例如在處理基本的視覺信息輸入時，人工神經網絡還依賴于對靜態圖像的學習，而人類視覺系統的神經網絡處理信息是一個動態的過程。
“應該借鑒生物智能的研究，開辟通用智能研究的新路徑。”清華大學基礎科學講席教授劉嘉表示，通過對認知科學、神經科學與計算科學等多學科的交叉研究，將現有認知神經科學等領域的最新成果、技術、研究工具和理論方法應用到AI中，模擬生物大腦，利用人工網絡研究生物大腦的特性等，可以推動AI的發展。
目前，北京智源人工智能研究院正在通過高精度生物大腦模擬仿真，構建生命智能模型，探索新一代人工智能發展的可行路徑。
該研究院生命模擬研究中心負責人馬雷表示，結合來自神經科學、信息科學等交叉科學的前沿技術，該機構的“天演”生命模型旨在模擬仿真經歷億萬年進化演進的生物神經系統和身體，通過搭建高精度模擬仿真軟硬件系統，構建生命智能模型并挖掘生物智能機制機理，逐步啟發和探索新一代人工智能。
“大腦模型的規模越大、精細程度越高，越能表征生物智能性，而當今大規模高精度仿真依然存在諸多瓶頸，其中最關鍵的挑戰要數計算的復雜性，現有的超級計算系統難以承擔大腦突觸級別的超微精細計算。”馬雷表示。
劉嘉表示，人工智能研究者應積極通過對生物腦內部認知過程的探索，比較生物智能與神經網絡的異同，從而了解大腦在實現特定認知功能方面的神經機理和認知范式，完善和革新現有的人工神經網絡模型與算法，探索智能的邊界和腦啟發/類腦的通用智能研究新路徑。
來源：《中國科學報》
