- 微信
- 微博
  
  分享文章到微博
- 复制链接
  
  复制链接到剪贴板

【云驻共创】未来技术——浅谈AI与神经科学的发展

是羽十八ya 发表于 2022/07/25 20:10:06 2022/07/25

【摘要】文章介绍了AI与神经科学的发展现状以及相关概念，并引入元学习阐述AI对神经科学未来发展的影响。

基本概念

人工智能：AI(Artificial Intelligence)是研究使计算机来模拟人的某些思维过程和智能行为（如学习、推理、思考、规划等）的学科，主要包括计算机实现智能的原理、制造类似于人脑智能的计算机，使计算机能实现更高层次的应用。人工智能是计算机科学、心理学、哲学和语言学等多学科的交叉，其范围已远远超出了计算机科学的范畴，从思维观点看，人工智能不仅限于逻辑思维，要考虑形象思维、灵感思维才能促进人工智能的突破性的发展。

神经科学：神经科学指寻求解释精神活动的生物学机制，神经科学寻求在个体生长发育过程中的神经回路感知世界、反应生成、行为实现，以及从记忆中寻找曾经感知过的知觉、探寻的知觉对个体的影响等机理，其复杂程度远超过任何人们在其他生物学领域中曾经面对的问题。

AI与神经科学的研究核心

人工智能是研究开发能够模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学，研究对象是智能操控，现阶段研究方法上是侧重于对复杂现象进行模拟仿真的“计算科学”。
神经科学更多地侧重于生物学意义上的神经活动的规律，解析包括思维、情感、智能等在内的高级神经活动的发生机制，而意识起源问题，则是神经科学的终极目标，研究方法上神经科学是以自然现象归纳为主的“实验科学”。

AI与神经科学的联系

对于神经科学与人工智能的关系，我们可以以一个闭环的水源和水流的概念去理解。人工智能的兴起，一方面源于科学技术的发展，另一方面则受神经科学领域成果的影响，在两者的关系之中，人工智能兴起于神经科学，并且人工智能的发展促进了神经科学领域的研究，而神经科学领域的进步又促进了人工智能的发展，在目前的技术层面下，两者形成一个闭环的发展关系，相互滋养、相互发展进步。
伴随着脑与神经科学、认知科学的进展使得人们在脑区、神经微环路、神经元等不同尺度观测的各种认知任务中，获取脑组织的部分活动数据已经实现，获知人脑信息处理过程也有了数据依据，并且多学科交叉的实验研究得出的人脑工作机制更具可靠性。因此，脑科学的发展，海量实验数据的有力支撑，有望为机器学习、类脑计算的突破提供现实依据以参考借鉴。
在神经科学基础研究阶段，人工智能可以辅助研究人员解析复杂的脑神经信号、脑神经图谱实验数据，构建和模拟大脑模型系统等。在转化应用阶段，人工智能还能加速脑科学成果的应用，例如大脑疾病诊断与新疗法成果的临床转化等。人工智能对神经科学发展的反哺或反馈作用也是客观存在的。

元学习——AI与神经科学的紧密结合

机器学习的主要优势在于能够识别复杂数据中的模式，尤其在涉及到分析人类的思想时。大脑发出的信号真的很复杂。随着机器学习的推进，神经科学家正在破解数十亿个大脑神经元协同工作的秘密。例如：功能性磁共振成像通过检测血液流动的变化来测量大脑的活动，它每秒都能生成大脑活动的高维快照。使用机器学习来分析数据有助于发现大脑活动的方式，从而加快研究工作。

在机器学习里，我们会使用某个场景的大量数据来训练模型，比如：训练一个可以识别锦鲤图像的模型，我们需要大量的关于锦鲤的数据集，通过特定的算法程序实现对锦鲤图像的识别，然而一旦当场景发生改变，比如拿着一个可以识别锦鲤模型想要去识别海豹，模型就需要根据新的数据集重新训练。因此，元学习的概念应运而生。

元学习(Meta Learning)，具体指的是learn to learn，Meta Learning希望使模型获取一种“学会学习”的能力。使其可以在获取已有“知识”的基础上快速学习新的任务。如：

让Alphago(下围棋的)迅速学会下象棋
让一个向日葵图片分类器，迅速具有分类其他物体的能力

在机器学习中，训练单位是一条条数据，通过数据来对模型进行优化；

在元学习中，训练单位分两个层级，第一层训练单位是一种学习方法，元学习中要准备许多学习方法来进行学习，第二层的训练单位才是对应的一条数据。

现在AI的发展在数据层面的训练模型已经发展到了一定的高度，而学习方法层面训练模型构造——元学习技术突破的难点，就和人类的神经科学发展密切相关，人类同一类型下的事物就会比较容易上手，比如：你会JAVA编程，掌握了编程的基本思想，熟悉了面向对象的基本概念，那么上手Python将会比纯新手入门Python要容易得多，但现在的深度学习模型在遇到类似问题的时候，即使是很类似的情况也需要从 0 开始重新学习！这一人类智能和 AI 的差异就导致了 meta-learning 的产生。

现在的元学习大致可以分为以下 4 类：

基于优化的：其中最火的就是 MAML，还有之前的 Meta-LSTM 等等。
基于度量的：包括原型网络，孪生网络，匹配网络，关系网络。
基于模型的：利用 RNN 网络和外部存储来实现“记忆”
基于 GNN

即便元学习现在还处于发展初期，但机器学习对于神经科学领域的发展却已经逐步进入我们的生活。机器学习的主要优势在于能够识别复杂数据中的模式，尤其在涉及到分析人类的思想时，大脑发出的信号十分抽象，所需要采集的数据数量十分庞大，并且之间的关系十分复杂。随着机器学习的推进，神经科学家正在破解数十亿个大脑神经元协同工作的秘密。例如：功能性磁共振成像通过检测血液流动的变化来测量大脑的活动，它每秒都能生成大脑活动的高维快照。使用机器学习来分析数据有助于发现大脑活动的方式，从而加快研究工作。

前景

人工智能与神经科学的发展可能会经过以下三个阶段：

第一阶段是在人工智能初期发展的影响下，解决一些神经科学基础实验数据的处理，进而加快神经科学领域发展进程，在这一阶段人工智能和大数据技术是神经科学发展的“加速器”年，等到神经科学将迎来第一轮重大突破，在神经感知和神经认知理解方面出现突破性成果时，必然反哺、革新原有人工智能的算法基础和元器件基础，进而人类社会进入实质性类脑智能研究阶段。
第二个阶段等待神经科学迎来第二轮重大突破之时在情感、意识理解方面出现颠覆性成果，开发出一个多尺度、整合、可验证的大脑模型理论，类脑智能进入全新阶段，并将推动人脑的超生物进化，神经科学和类脑智能学科融为一体，人类社会全面进入强人工智能时代。
第三个阶段，随着技术的不断成熟，围绕神经科学和人工智能，特别是强人工智能，开始会衍生出许多科学理论和社会与伦理方面的问题。

人工智能目前存在的问题源于对神经科学的了解程度有限，限制了设计中并无法充分考虑真实的大脑情况。但如果通过对人脑的逆向工程来揭示大脑的秘密，或许就能更好地设计出能同时处理多重信息流的计算设备，在高新技术计算模型的更新迭代之下，在神经科学领域的数据采集、数据处理下，在极大程度上能很好地帮助研究人员快速、有效、全面地掌握人脑神经的规律，进而颠覆性加速神经科学领域的发展，并且这个发展速度，是随着底层技术的不断提升而提升的。