Numenta聯(lián)合創(chuàng)始人Jeff Hawkins最近寫了一篇文章,名為“強人工智能的秘密”。他認為,目前的AI技術存在限制,如果想開發(fā)通用AI,我們必須尋找新方法,而向大腦學習是最好的捷徑。
在圖像識別、自動駕駛汽車及其它難以征服的領域,深度學習、卷積神經(jīng)網(wǎng)絡等AI技術取得了相當大的突破。無數(shù)AI公司破土而出,它們也在追趕潮流,因為融資、收購速度正在加快。
盡管如此,一些頂尖AI研究人員已經(jīng)意識到,事情似乎有些不對頭。雖然進步驚人,但是目前的AI技術仍然存在許多局限。例如,深度學習網(wǎng)絡需要幾百萬個訓練案例,然后才能正確運行,人類不一樣,很快就能學會。正是因為存在這種限制,所以深度學習網(wǎng)絡的應用范圍很小。雖然平均精準率很高,但是也會出現(xiàn)嚴重的失敗。
例如,即使圖像只是稍作更改,AI系統(tǒng)也會犯錯,將牙刷當成棒球棒。在某些應用中,這類錯誤可能會引發(fā)大災難,致人死亡或者受傷。因為存在這樣和那樣的限制,AI領袖們認為應該尋找不同的方案。Geoff Hinton是最著名的AI科學家之一,他最近就說自己對當前的AI技術“深表懷疑”,我們需要重新開始。Francois Chollet是深度學習網(wǎng)絡的知名專家,他也說:“我認為應該完全拋棄,然后重新開始。如果只是增強今天的深度學習技術,不可能達到一般智力的水平。”
Chollet認為,人類智力并無限制,而深度學習存在基本限制。事實上,人類大腦相當有彈性。人類不只會駕駛汽車,還能建造摩天樓,管理農場,給計算機編程。我們可以輕松拿起東西,比如咖啡杯,用手指靈活操縱它們,但是AI系統(tǒng)做不到。每一個人都學會了幾百項復雜技能,可以混合,快速完成。
從另一方面看,深度學習系統(tǒng)只能完成少量任務,一次只能做一件事。如果需要完成新任務,必須重新訓練。人類相當于通用學習機器,AI系統(tǒng)可不是這樣的。如果AI想持續(xù)取得成功,必須打破之前的限制,成為更具通用性的AI。
近來,AI科學家已經(jīng)開始向人類大腦學習。谷歌DeepMind的聯(lián)合創(chuàng)始人Demis Hassibis說:“我們想開發(fā)‘一般智力’,真的可能嗎?人類大腦是目前存在的唯一證明,為什么人類有這樣的能力,是如何做到的,值得我們花時間研究理解。”
我很贊同。在過去30年里,我一直在研究人腦。2004年,我曾寫過一本書,名叫“On Intelligence”,我在書中指出AI的發(fā)展需要人腦理論支持。2005年,我曾與人聯(lián)合創(chuàng)辦Numenta公司,這是一家專注腦皮質逆向工程的公司,而腦皮質是人類大腦最大的部分,也是與智力關系最密切的部分。
我們想搞清一些問題,比如人腦細胞是如何協(xié)作的,從而形成認知和行為能力。人腦與當前的AI技術有許多相似點,這說明AI正在沿著正確的方向發(fā)展。不過二者也有明顯的不同。大腦的能力不只比當前AI系統(tǒng)強很多,而且人腦的物理架構也比AI人工神經(jīng)網(wǎng)絡的架構復雜很多。大腦能做的事AI系統(tǒng)做不到。
Numenta的研究告訴我們人腦的運行遵循一些重要原則,最終我們認為AI也會遵循同樣的原則。例如,人腦的每一個神經(jīng)元有幾千個突觸(也就是神經(jīng)元之間的連接點)。我們仍然不知道大部分突觸是如何工作的。我們發(fā)現(xiàn)神經(jīng)元用大部分突觸進行預測。
預測是在細胞內進行的,當我展望未來時,這些預測扮演了重要角色。AI人工神經(jīng)元沒有這樣的能力,預測能力沒有大腦那么強。為什么大腦通過形成新突觸來學習新東西?我們還對原因有了深入的理解。深度學習依靠修改連接來學習,而人腦的學習方式更強大。為什么我們可以快速學習新東西,不會影響之前學到的內容?可能就是這個原因吧。
我們還有其它一些發(fā)現(xiàn),這些發(fā)現(xiàn)對于智力來說至關重要,我想介紹一下最近的重要發(fā)現(xiàn)。人類是如何通過觸摸識別對象的?我們正在研究。以此作為基礎,我們發(fā)現(xiàn)腦皮質有一個新屬性,觸摸體現(xiàn)了這樣的屬性,視覺也體驗了這樣的屬性,凡是腦皮質所做的一切都體現(xiàn)出來。有時我會將這種屬性稱為“失去的部分”,或者正如本文標題所說的,找到了“強大AI的秘密”。最近,我們發(fā)表論文,介紹這一發(fā)現(xiàn),今天我來簡要介紹一下。