從搜索引擎到自動(dòng)駕駛汽車(chē)，人工智能已經(jīng)進(jìn)入到人們的日常生活,，這與近年來(lái)所實(shí)現(xiàn)的巨大計(jì)算能力密不可分,。不過(guò)，最近有一項(xiàng)新研究的結(jié)果表明,，與之前相比,，采用更簡(jiǎn)單、更小的神經(jīng)元網(wǎng)絡(luò)能夠更好,、更高效,、更可靠地解決某些任務(wù)。

　　該團(tuán)隊(duì)在一項(xiàng)重要任務(wù)上測(cè)試了新神經(jīng)網(wǎng)絡(luò):讓自動(dòng)駕駛汽車(chē)保持在車(chē)道內(nèi)行駛（圖片來(lái)源：奧地利科學(xué)技術(shù)研究所）

　　據(jù)外媒報(bào)道,，維也納工業(yè)大學(xué)（TU Wien）,、奧地利科學(xué)技術(shù)研究所（IST Austria）以及美國(guó)麻省理工學(xué)院（MIT）組建的一支國(guó)際研究小組研發(fā)了一種新型人工智能系統(tǒng)，基于蟯蟲(chóng)等微小動(dòng)物的大腦構(gòu)建,，可以采用少量的神經(jīng)元控制車(chē)輛,。該小組表示，與之前的深度學(xué)習(xí)模型相比,，該系統(tǒng)具有決定性的優(yōu)勢(shì),，如可以更好地應(yīng)對(duì)有噪輸入信號(hào)。此外,，由于該系統(tǒng)很簡(jiǎn)單,，因而可以詳細(xì)解釋其運(yùn)行模式，不是一個(gè)復(fù)雜的“黑匣子”,，而是可以被人類(lèi)理解,。

　　與大腦類(lèi)似，人工神經(jīng)網(wǎng)絡(luò)也由許多獨(dú)立的細(xì)胞構(gòu)成,。當(dāng)一個(gè)細(xì)胞處于活動(dòng)狀態(tài)時(shí),，它會(huì)向其他細(xì)胞發(fā)送信號(hào)。下一個(gè)細(xì)胞會(huì)將所有接收到的信號(hào)組合起來(lái),，以決定是否它也要活躍起來(lái),，即一個(gè)細(xì)胞影響到下一個(gè)細(xì)胞活動(dòng)的方式?jīng)Q定了該系統(tǒng)的行為。在自動(dòng)學(xué)習(xí)過(guò)程中,，此類(lèi)參數(shù)會(huì)被調(diào)整,，直到該神經(jīng)網(wǎng)絡(luò)可以解決某個(gè)特定的任務(wù)。

　　研究人員表示：“多年來(lái),，我們一直在研究可以從自然界中學(xué)習(xí)到什么,，以改進(jìn)深度學(xué)習(xí)。例如,，C. elegans線蟲(chóng)的神經(jīng)元數(shù)量就少的驚人,，但卻仍表現(xiàn)出十分有趣的行為模式,，這是因?yàn)榫€蟲(chóng)的神經(jīng)系統(tǒng)會(huì)以高效且和諧的方式處理信息。大自然告訴我們,，還有很大的改進(jìn)空間,。因此，我們的目標(biāo)是大幅降低神經(jīng)網(wǎng)絡(luò)模型的復(fù)雜性,，增強(qiáng)可解釋性,。受大自然啟發(fā)，我們研發(fā)了由神經(jīng)元和突觸組成的新型數(shù)學(xué)模型,?！?/p>

　　該神經(jīng)網(wǎng)絡(luò)內(nèi)單個(gè)細(xì)胞內(nèi)部的信號(hào)處理所遵循的數(shù)學(xué)原理與之前的深度學(xué)習(xí)模型不同，而且該神經(jīng)網(wǎng)絡(luò)非常稀疏,，意味著并非每個(gè)細(xì)胞都與其他細(xì)胞連接在一起,，從而也可讓該網(wǎng)絡(luò)變得更簡(jiǎn)單。

　　為了測(cè)試新網(wǎng)絡(luò),，研究小組選擇了一個(gè)特別重要的測(cè)試任務(wù)：讓自動(dòng)駕駛汽車(chē)保持在車(chē)道內(nèi)行駛,。該神經(jīng)網(wǎng)絡(luò)可以接收道路攝像頭的輸入信息，并自行決定車(chē)輛是向右還是向左行駛,。

　　研究人員表示：“現(xiàn)在,，擁有數(shù)百萬(wàn)個(gè)參數(shù)的深度學(xué)習(xí)模型經(jīng)常被用于學(xué)習(xí)自動(dòng)駕駛等復(fù)雜任務(wù)。但是我們的新方法能夠讓我們將該網(wǎng)絡(luò)的規(guī)?？s小兩個(gè)數(shù)量級(jí),，只采用7.5萬(wàn)個(gè)可訓(xùn)練參數(shù)?！?/p>

　　研究人員還解釋道,，新系統(tǒng)由兩部分組成：首先，攝像頭輸入信息由卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行處理,，該網(wǎng)絡(luò)只會(huì)感知視覺(jué)數(shù)據(jù),，從輸入的像素中提取結(jié)構(gòu)特征，并決定哪些部分是有趣且重要的,，然后將信號(hào)傳輸?shù)皆摼W(wǎng)絡(luò)的關(guān)鍵部分——“控制系統(tǒng)”,，然后就可以控制車(chē)輛。

　　兩個(gè)子系統(tǒng)堆疊在一起,，同時(shí)接受訓(xùn)練,。大波士頓地區(qū)的人類(lèi)駕駛交通視頻被采集然后輸入到該網(wǎng)絡(luò)中，加上在特定情況下如何控制車(chē)輛的信息,，該系統(tǒng)就可以學(xué)會(huì)自動(dòng)將圖像與合適的行駛方向連接起來(lái),，并能夠獨(dú)自處理新情況。

　　該系統(tǒng)的控制部分（神經(jīng)回路策略,，NCP）僅由19個(gè)神經(jīng)元組成，可將感知模塊的數(shù)據(jù)轉(zhuǎn)換為控制指令。研究人員表示,，與最先進(jìn)的模型相比,，NCP的規(guī)模要小3個(gè)數(shù)量級(jí)。

　　該款新型深度學(xué)習(xí)模型在一輛真正的自動(dòng)駕駛汽車(chē)上接受了測(cè)試,。研究人員表示：“我們的模型可以讓我們查看在車(chē)輛行駛時(shí),，該網(wǎng)絡(luò)關(guān)注的是什么。我們的網(wǎng)絡(luò)關(guān)注于攝像頭圖片中非常具體的部分：路邊以及地平線,，此種行為是獨(dú)一無(wú)二的,。此外，可以確定每個(gè)細(xì)胞在任何駕駛決策中的作用,，可以理解單個(gè)細(xì)胞的功能及行為,。”

　　研究人員還表示：“為了比較NCP與之前深度模型的魯棒性,，我們對(duì)輸入的圖像進(jìn)行了干擾,，并評(píng)估了該代理處理有噪信號(hào)的能力。對(duì)于其他深度神經(jīng)網(wǎng)絡(luò)而言,，該問(wèn)題難以克服,。但是，我們的NCP卻可以抵御輸入的偽信號(hào),。我們新模型的兩大優(yōu)勢(shì)是可解釋性和魯棒性,，不過(guò)，也還有其他優(yōu)勢(shì),，例如,，可以減少訓(xùn)練時(shí)間，可以在相對(duì)簡(jiǎn)單的系統(tǒng)中實(shí)現(xiàn)AI,。此外,，我們的NCP可以讓模仿學(xué)習(xí)應(yīng)用于倉(cāng)庫(kù)自動(dòng)化作業(yè)、機(jī)器人運(yùn)動(dòng)等各種應(yīng)用,。新方法為AI社區(qū)開(kāi)辟了新前景,，生物神經(jīng)系統(tǒng)的計(jì)算原理可成為構(gòu)建高性能可解釋AI的巨大資源，替代現(xiàn)有的黑匣子機(jī)器學(xué)習(xí)系統(tǒng),?！?/p>