從搜索引擎到自動(dòng)駕駛汽車，人工智能（AI）已經(jīng)應(yīng)用于日常生活的方方面面。這與近年來飛躍式的算力進(jìn)步有很大關(guān)系。但AI研究的最新結(jié)果表明，更簡單小巧的神經(jīng)網(wǎng)絡(luò)可以更好，更有效且更可靠地解決某些任務(wù)。

近日，麻省理工學(xué)院計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室（MIT CSAIL），維也納工業(yè)大學(xué)和奧地利科技學(xué)院的國際研究團(tuán)隊(duì)開發(fā)出了一種新型AI系統(tǒng)。

這種新穎的AI系統(tǒng)受到線蟲等細(xì)小動(dòng)物的大腦的啟發(fā)，其核心控制系統(tǒng)僅用19個(gè)神經(jīng)元就能操控車輛，實(shí)現(xiàn)自動(dòng)駕駛。

研究團(tuán)隊(duì)表示，該系統(tǒng)比以前的深度學(xué)習(xí)模型具有決定性的優(yōu)勢。它可以更好地應(yīng)對(duì)噪聲的輸入，而且由于其構(gòu)造的簡單性，人們可以很好地解釋其操作模式，不再是“復(fù)雜的黑匣子”。這種新的深度學(xué)習(xí)模型現(xiàn)已發(fā)布在 Nature Machine Intelligence上。

谷歌軟件工程師兼AI研究員Fran ois Chollet表示，“神經(jīng)回路政策是一種受生物神經(jīng)元啟發(fā)的有前途的新架構(gòu)。它生成的模型非常小，但能處理復(fù)雜任務(wù)。這種簡單性使其更強(qiáng)大，更易解釋。”

類似于大腦，人工神經(jīng)網(wǎng)絡(luò)由許多單個(gè)神經(jīng)元組成。當(dāng)一個(gè)神經(jīng)元處于活動(dòng)狀態(tài)時(shí)，它將向其他神經(jīng)元發(fā)送信號(hào)。下一個(gè)神經(jīng)元會(huì)收集所有信號(hào)，組合起來并決定其自身是否激活。一個(gè)神經(jīng)元影響下一個(gè)神經(jīng)元的方式?jīng)Q定了整個(gè)系統(tǒng)的下一次行為。這些參數(shù)會(huì)在自動(dòng)學(xué)習(xí)過程中不斷調(diào)整，直到神經(jīng)網(wǎng)絡(luò)可以解決特定任務(wù)為止。

多年來，科學(xué)家們一直在研究可以從自然界中學(xué)到什么，以改善深度學(xué)習(xí)。秀麗隱桿線蟲是一個(gè)典型的研究對(duì)象，它只有數(shù)量極少的神經(jīng)元，但仍然表現(xiàn)出非常有趣的行為模式，因?yàn)樗纳窠?jīng)系統(tǒng)可以用非常高效而和諧的方式處理信息。

麻省理工學(xué)院CSAIL主任Daniela Rus教授表示，“大自然向我們展示了巨大的進(jìn)步空間。我們的目標(biāo)是大幅降低復(fù)雜性并開發(fā)一種新型神經(jīng)網(wǎng)絡(luò)架構(gòu)。”

與之前的深度學(xué)習(xí)模型相比，新架構(gòu)的神經(jīng)元和數(shù)學(xué)模型都是全新的，單個(gè)神經(jīng)元的信號(hào)處理方式遵循了完全不同的數(shù)學(xué)原理。整個(gè)網(wǎng)絡(luò)非常稀疏，因?yàn)椴⒎敲總€(gè)神經(jīng)元之間都互相連接在一起。這讓模型變得更簡單。

為了測試新想法，研究團(tuán)隊(duì)選擇了一項(xiàng)特別重要的任務(wù)：自動(dòng)駕駛汽車并維持在車道上。神經(jīng)網(wǎng)絡(luò)將攝像機(jī)捕捉的道路圖像作為輸入值，并自主決定是向右還是向左微調(diào)方向。

目前，用來實(shí)現(xiàn)自動(dòng)駕駛等復(fù)雜任務(wù)的深度學(xué)習(xí)模型通常擁有數(shù)百萬個(gè)參數(shù)。相比之下，新架構(gòu)僅用到了7.5萬個(gè)可訓(xùn)練參數(shù)，規(guī)模減少了兩個(gè)數(shù)量級(jí)。

新系統(tǒng)由兩部分組成：卷積神經(jīng)網(wǎng)絡(luò)和控制系統(tǒng)。

攝像機(jī)的輸入首先會(huì)經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)，它僅負(fù)責(zé)處理視覺數(shù)據(jù)并從像素中提取結(jié)構(gòu)特征，找到那些有趣和重要的信息，然后將信號(hào)傳輸?shù)杰囕v的控制系統(tǒng)中。

控制系統(tǒng)部分，又被稱為神經(jīng)回路策略（NCP），可以將感知模塊中的數(shù)據(jù)轉(zhuǎn)換為轉(zhuǎn)向命令，僅包含19個(gè)神經(jīng)元，比現(xiàn)有最好模型要小好幾個(gè)數(shù)量級(jí)。

兩個(gè)子系統(tǒng)堆疊在一起并同時(shí)接受訓(xùn)練。訓(xùn)練數(shù)據(jù)來自大波士頓地區(qū)，是由人類駕駛員完成的駕駛視頻，一同輸入網(wǎng)絡(luò)的還有任何給定情況下控制汽車方向的資料——直到系統(tǒng)學(xué)會(huì)了自動(dòng)將圖像與合適的轉(zhuǎn)向系統(tǒng)聯(lián)系起來，可以獨(dú)立處理新情況為止。

該深度學(xué)習(xí)模型已在自動(dòng)駕駛汽車上進(jìn)行了測試。研究人員可以輕易地找出，在駕駛時(shí)，神經(jīng)網(wǎng)絡(luò)的注意力放在哪里：在這種情況下，是路肩和地平線。

他們還能確定每個(gè)神經(jīng)元在駕駛決策中發(fā)揮的作用，即每個(gè)神經(jīng)元的功能和行為。對(duì)于規(guī)模更大的深度學(xué)習(xí)模型，是不可能實(shí)現(xiàn)這種程度的可解釋性的。

NCP的魯棒性也經(jīng)得住考驗(yàn)。研究人員在輸入圖像中添加了干擾和噪聲，以測試AI的應(yīng)對(duì)能力。得益于新神經(jīng)網(wǎng)絡(luò)模型和架構(gòu)，該模型表現(xiàn)出了強(qiáng)大的噪聲抵抗力。

研究人員Ramin Hasani認(rèn)為，可解釋性和魯棒性是新模型的兩個(gè)最主要優(yōu)勢，但它實(shí)際上還有更多優(yōu)點(diǎn)，比如減少訓(xùn)練時(shí)間，以及增加在簡單系統(tǒng)中實(shí)現(xiàn)AI的可能性。

“我們的NCP可以在廣泛應(yīng)用中進(jìn)行模仿學(xué)習(xí)，包括自動(dòng)化工作和機(jī)器人運(yùn)動(dòng)，”Hasani補(bǔ)充稱，“這些新發(fā)現(xiàn)為AI社區(qū)拓展了新的方向，生物神經(jīng)系統(tǒng)中的計(jì)算原理可以成為創(chuàng)建高性能可解釋AI的重要資源，作為現(xiàn)有黑盒機(jī)器學(xué)習(xí)系統(tǒng)的替代品?！?/p>

（摘自美《深科技》）（編輯/多洛米）