Nicholas TURK-BROWNE：人脑助力人工智能发展

Nicholas TURK-BROWNE

　　新浪科技讯 10月29日下午消息，2017未来科学大奖颁奖典礼暨未来论坛年会在京举办。会上，耶鲁大学心理学教授Nicholas TURK-BROWNE发表主题演讲。

　　以下为Nicholas TURK-BROWNE演讲实录：

　　谢谢，我非常荣幸能够来到这里，并且跟这么多卓越的科学家们在一起讨论，能够加入到未来论坛，并且庆祝未来科学奖，我也希望能够感谢对这样一个活动主办的主办方，以及来自科学论坛的理事会和相关的同事们邀请我来到这里，非常感谢大家。这个会议里我们也听到了关于人工智能的介绍，人工智能主要是对于仿真和去模拟人类的能力，因此我接下来要跟大家介绍的是我们所知道的，在人类大脑当中的学习和记忆的能力，并且思考我们在这个领域中学习的内容如何能够帮助我们进一步的去对人工智能有所发展，并且加强人工智能系统的能力。

　　所以接下来我会专注于这个部分，因为这实际上是对人性和人的身份进行界定的部分，我们基本上考虑记忆的时候会考虑到我们生活中的闪光的一个，比如说我们结婚的时候，搬到新城市的时候，出玩等等，实际说这些记忆的概念比这个更广泛，基本上你所有的思想运作都在这里了，这就是一些方式，这些记忆成为了人类大脑中思维的一部分，我们如何学习语言的？我们的个性如何，我们的性格如何，以及我们对不同的领域的知识如何，包括了科学。

　　而且，我们又做了什么样的由记忆所带来的决策，包括我们吃了什么样的美食和到了什么样的餐厅，和我们的愤怒和恐惧，从我们的经验来的，这样一个大脑还有非常强的预测性，我一会儿会给大家讲这个方面的事情，能够在一些新的形式下来帮助我们进行预测，而且我们看这个世界的时候也是知道由我们的经验来进行塑造的，我们知道对这样一个记忆的概念化了解的时候，实际上它是人类能力当中的核心部分。

　　我们知道有不同的方式来考虑这种记忆是如何去实施的，现在有一些自然的方式，这是我接下来要跟大家专注的，就是说对于大脑，对于记忆的实施，而且还有人工的方式，那就是说无论是计算机还是说到神经网络等等，实际上是对于记忆一种仿真，实际上现在有很多的方式，是我们记忆存储的方式，这是其中的一些，我们可以看到这些区域。这是用完全不一样的方式来进行存储的，我不去说细节了，因为时间的关系，我主要用一个粉色区域来讲讲我们海马体，就是中间的部分，这是核心的记忆区，你在这里进行编码，从过去的经验中进行解锁，这样的话，如果海马不可能有任何的记忆的存取和检索。所以实际上这是人工智能开始去做这种双倍速的方式来进行存储的方式了。而且我们也都看到了这两者之间有非常多的在及以上的不同的形式，接下来我跟大家探讨的是这个海马体是如何和大脑的结构相关的，如何来存储记忆的，目前在人工智能的系统中他又是如何做到存储记忆的。现在我们先看看对这个自然的记忆有什么特别之处呢，首先我们说一下人脑的，但是还有很多在动物中，包括了猿类和鼠类来进行的研究。我们先说说在人类的这个方面的特别之处，第一个是情节性编码，第二个是非监督性的学习和更新和调整，以及反馈和预测，第五个是发展，我们直接说情节编码，说到情节编码的时候，它的意思是说我们可以对于我们生命中所接触的这些事件的存储，比如说今天说的这些演讲，晚上吃的饭，明天要做什么事情，这是非常迅速，就是到我们的大脑中，而这些记忆都是内在的，是各个不同的感知的结合，比如说我们看的，听的，感受的，我们和谁在一起等等。除此之外，他们还有一个具体的时空的标签，比如说现在我们今天在这一个地点。个别的行为在特定的时间和地点发生，非常重要一个挑战，就是一个记忆与其他的记忆形成一个区别，比如说这次会议上你听到了别的演讲，要区分开来，因此我们是这样一个情景下的编码。

　　那么，AI，人工智能需要一个成千上万，成百万次的培训的案例。然后才能够随着时间的推移和情景，以及独特的特色，才能够给我们带来一些抽象性，因此对于我们人工智能的学习来说，仍然是一个挑战。如果我们能够在实验室里来学习记忆力的话，我们可以看到一些图片进行训练，我们怎么样记住一些东西，这是艺术长廊，那么这显示了这个图画的不同的方面，但是你不知道这是来进行测试的，看完测试以后我会问他这个房间里有哪些东西，到底去了哪些房间，海马体会在我们的大脑区域里面来发挥这样一个作用。

　　我们会使用一个有功能的磁铁模式，用不同的颜色加以体现来进行试验，我们可以问，我们怎么样知道，他们是怎么知道自己在房间里的，我会识别出一些不同的活动的模式。然后了解如何因为信息的存储到大脑里。搞清楚以后我们会很好的进行记忆的存储。

　　那么，主要是受到了活动模式的制约，因此我们能够进行记忆的存储。我们可以对于一些特殊的记忆予以储存。这里面我们能够预测人们将会基于活动模式记住哪些东西，第一次会记住哪些，最后一次又会记住哪些，对于每一个房间的，和图画的记忆，可以从神经活性的模式来进行预测。第二个方面我讲一下不受监督的学习，是指我们能够在不同的记忆方面提取一些规律和规则的能力，这样的一种学习，就是不需要明确的标签或者是存储机制，就可以使用一些结构化的知识来指导和加工。

　　对于我们的AI来讲的话，它一般会涉及到受监督的，或者是加强的学习。现在我们有很多的来告诉我们如何在监督的情况下学习语言，我们在这个世界上如何发现一些模式和规律呢？这里有一些例子来告诉大家不受监督的学习的模式之下的情况。我们可以给大家展示一下图片，看看有哪些图形？

　　大家都希望，我们会通过试验的时候，问大家很多的问题。在这个模式之下，你需要集中注意力去了解一些情况，在这种情况下，你看看这样的一个序列里面有什么样的规则。那么，我们会轮流的，顺序的来进行显示，人们会把这种对模式的识别与过程的经验结合起来，在上面是强的，百分之百，下面是33%的长足的进行排列。有一个假定，海马体在我们的大脑里分析规律和规则，能够形成一些存储这些情况，然后就能够非常可靠通过河马体告诉我们，我们看到了哪些形状或者是模式。并且大家能够对一组信息进行快速的综合。如果对大脑的活性进行研究，你会发现他有很小的次区域，会管控着我们对世界的认知和记忆。再次我们看一下基线的情况，这里有几种情况，中间的情况和强模式下，我们看到一些活性模式表现是非常接近的。我们还有一点情况，就是我们只是看到了一些比较弱的模式，这样的话它的接近就比较小的。在世界上我们会通过这种发现，不受监督的学习模式来进行。对于一些时间的规则的形状，海马体也有一些表现。这里提出了非常有趣的问题，海马体是如何来做好两件事的。他从这个已有的经历里面，并且能够提取出一些规律性的东西。那么我们的学习可能是一个快速的模式，并且通过一些人工的精力来进行干预，这样来提取一些规律的话。那么你就对于这个具体的情况有一种抽象，在同样的大脑区域，你可能有一些共同点的反应，在这个海马体的两种通道，这个是蓝色的通道，大家可以看到在每一种经历中都有倾斜，这是一个非常快速的学习的过程。也可以说让我们能够很好的进行精力的储存，这是三突处这样一种通道，并且我们还会有另外一种单突处的，我们看到有一个非常类似的一些输入。它有一个非常慢的学习的曲线，随着时间的推移，学习的曲线会变化，我们可以看到这样一种统计学方面的学习路径。

　　我们看一下更新和调整，我们的区域并不是静态的，而是随着时间来进行动态的变化，不断的进行完美和完善。它会不断的变化，因此，这种变化并不是说一种重新的检索或者是衰减衰退的变化，而是和一些检索记忆和新的概念和理解是相互竞争的。这是我们注意的。这和我们的人工智能系统不一样的，AI的很多模型是同时进行训练，用一批例子，一些非结构化的顺序来进行训练。这就使得学习的时间动态性模糊了。因为这种模糊的过程中，你就会丧失一些记忆是如何丧失，不太了解它的规律了，AI很难做到的，我们怎么样去裁剪，去除一些非准确的记忆呢？这里有一些地方，我们可以看一下这些人他们是高还是矮，还是什么情况，大脑里会进行加工和处理。这些脸庞，首先，女，男，森林，第二遍看到的顺序都是人的脸，在这种情况下，对于我们的记忆是出现了什么情况呢？我们看到的一个想法是当A和B重复的时候，你就会想到森林是不是要出现了，大脑里会有这样一个预期，有这样一个排序，然后你的大脑会出现一个弱化，因为它出现了你期待的森林。后来森林没有出现，而是D，这个脸庞，这个时候大脑出现了CG的形式，这个出现的并不是森林，后续我们讲对于C的记忆就出现了这样的效应，这是我们记忆测试的时候发现的。那么你的大脑能够预测到森林，所以你很可能对D出现的予以忘记了，很难准确，如何来解读呢，我们说记忆力会导致非正确的预测，这个时候我们记忆力就下降了，因为我们记忆的东西没有出现，也就是说这个时候你反应的自然世界是不准确的我觉得这是很容易理解的。现在有一个有趣的问题，学习的规则到底是什么？我们在引言中谈到了一些，这是非常困难的一件事，对于我们大脑的学习，从定义上来说，规则是单突处的路径，还是三突处的路径，我们之前也谈到了强记忆，中记忆和弱记忆，这里面并不是说单突处的路径，如果我们能够把这个图画植入到我们的大脑中，这样的印象。那么就能够很好的强化我们的记忆的功能。这里解读，并不是三突处的这个路径，我们看看这是怎么样的发生和演变的，这里面有低中高这样一个记忆活性程度。这是一个非常不同的学习之路，或者是说方法，可以帮助我们做出非常有效的，有意义的一种预测。

　　第四个方面是反馈和预测，前面提到了我们是到了运作的一个基本的情况，就是说可以进行一个很好的预测，确实在我们的大脑里可以进行成像，并且感知的直觉的区域，可以自下而上进行感知的传递，从这个反馈的角度来说可以接收到下游的区域，来反应我们的关注和识别，绿色和恢复，这都是我们大脑所产生的印象，我们在睡觉或者是做梦的时候，出现一种回复，白天出现的情景，这个和我们的AI也不是太一样。为什么？从根本上来说，因为AI里面有很多深度的神经网络，也有一些的连接，建模的时候是一个一个的大脑系统，比我们人的大脑简单很多。比如说物体的识别，这是一个例子。有一些系统可以模拟我们的大脑的不同区域，但是最后要把这个组合起来来形成一个大脑的认识。这里有一个问题是我们的预测是来自于大脑的哪一个地方呢？我们是点击左边的按钮的话，你就会出现这样的，比如说线索或者是行动，如果你点击右边的就会出现这样一个情况，大家看右边的线头，给他一个线索的话，大脑就可以来预测大致出现一个什么样的行为或者是结果。我们从功能学的角度来理解大脑的特点。过这个机器学习，你可以来区分不同的活动以及存储的一些后果。在这个下面我们看到了有两种不同的后果。我们还尽量的能够去区分一些两种大脑，在上面，一种是左箭头代表了一种趋势，另外一种是右箭头代表了一种趋势。我们进行一些模型的测试，然后我们就从线索到这个行动是黑色的标识，这里面可以显示我们的预测，因为你对接下来发生的事情有一些预期，如果屏幕上没有出现的时候，我们在这个方面研究起来的一些证据，这个里面可以看到一些横纵轴，这里可以假设，就是从这样一个线索可以带来一个相应的行动和结果。我们有这个正确的和非正确的这样一个区分，我们主要是进行序列解码研究。我们这里显示出来的是，好像只是很容易的进入了你期待的一个信息。但是如果说你期待的信息很快出现了，之后又出现了不同的结果。我们把它称之为一个什么样的过程呢？海马体中的模式完成可以在试皮质多种的期待成为了可能。另外是发展和开发，对我们压力试验来说是一个新方向。早教开发可以说是早期学习是人类学习的最了不起的阶段。包括了语言和物体，以及运动和社会，世界，还有我们大脑的解剖学和功能方面的变化。在早期的时候，大脑都会集聚产生一些回应。谈到我们AI系统和不同级别的数量和尺寸方面的架构，以及如何运行的本质的话，通常会随着我们训练的时间会不断的积累。这个海马体是如何来进行发展的呢？这是非常有趣的一个工作。

　　我们可以注意到一些有特色的海马体回路，能够在这个猴子的身上呈现出一种非常与众不同的发展的特点。现在在我们的实验室里面，我们进行了一些创新的研究，并且进行了一些分析学的方法的研究，可能下一次我会具体讲解这个方面的案例了。现在我想说的是我们对于人类的了解，可以更好的帮助我们来进行模拟仿真。这是纽约时报上的图片，谈的是人工智能的科研人员，研究的一个类脑机器人来介绍了这个大脑是如何运作的，如何来使用我们的知识，来建立大脑系统。以及我们的大脑可以使用相对比较少的能量，通常还能够只要求非常低程度的训练，而且大脑非常的强大和灵活的。因为训练出来了以后，大家可以学习知识。

　　因此我们希望说大脑这样的一些深度的研究，能够非常好的来辅助打造一个强有力的AI。我就讲这些，谢谢我实验室的工作人员跟我一起开展了很好的工作，才有了今天大家的听讲。