機器與深度學習 神經科學 科學報導

神經科學與人工智慧攜手共舞的新世代

神經科學(Neuroscience)與人工智慧(Artificial Intelligence, AI)在近年來發展非常迅速,兩個領域間有許多相似之處,因此持續相互交流為彼此發展帶來極大助益。本篇由 Google DeepMind 團隊撰寫的文章中,回顧 AI 發展過程至今受神經科學啟發所帶來的許多突破,並在最後提出更多的合作與溝通機會,將促進這兩個領域的共同發展。

DeepMind 的願景在於「解開智慧的謎團(Solve intelligence)」,開發能夠自我學習的通用人工智慧(General AI),並利用此技術的一般性廣泛運用於各種不同領域。目前世界上唯一存在的這種智慧系統,便是人類的大腦。相較於傳統重視數值方法與邏輯推演的 AI 研究,作者認為神經科學的發展與研究發現也能夠為 AI 帶來新的靈感。例如,若神經科學家發現大腦中新的生物計算方式,或許在 AI 系統中也能夠拓展相似的演算法與結構模型。同時,神經科學也可以協助驗證現有的 AI 技術。若發現一些已知的演算法相似於大腦的特定運算機制,那這些演算法便很有可能是開發 General AI 的關鍵,這對長期研究與資源分配的決定而言十分重要。

目前最舉世聞名的 AI 之一的 AlphaGo,便是結合深度神經網路(Deep Neural Network)、增強學習(Reinforcement Learning)與蒙地卡羅樹狀搜尋(Monte Carlo tree search),此系統已擊敗所有人類頂尖職業棋士(註1)。其中深度神經網路與增強學習皆受神經科學所啟發。深度神經網路是一種監督式學習(Supervised Learning),亦即藉由大量資料訓練其演算法以建立一個模式,並以此模式來推測新的輸入。AlphaGo 透過和許多人類圍棋高手下棋取得的大量數據,從中汲取經驗來訓練自己、建構出下棋的策略。增強學習則和大腦的某些學習模式相似,當機器做出「好」的選擇將獲得獎勵,反之則得到懲罰,而最大化預期利益則是這種機器學習過程的目標。

除了深度學習和增強學習之外,文中也討論了許多不同的 AI 技術如何直接或間接地從神經科學獲得靈感,並成功解決以傳統數學邏輯為基礎的技術無法解決的問題。雖然目前 AI 系統已有許多成功的應用,如自然語言處理、影像處理、影像辨識等,機器和人類層級的智慧卻仍有很大的差距。作者認為,近年神經科學領域發展出的許多新工具能夠加速了解大腦在系統層級的運作機制,同時能為 AI 研究帶來新思路。更重要的是,兩個領域之間的交流是互惠的。機器學習技術改變了神經科學影像處理與電生理數據分析的方法;同時可以透過量化方法描述以往相對模糊的動物行為與生理機制;而在開發 AI 的過程中也能夠幫助根本地反思「智慧」的定義。由於神經科學與人工智慧兩個領域各自的發展在近年來非常茁壯,密切地雙向溝通以及跨領域知識成為兩個領域創造突破性發展的一大關鍵。

 

AI 人工智慧與神經行為模型的相似之處 。 圖片來源:dx.doi.org/10.1016/j.neuron.2017.06.011

 

註1:AlphaGo有不同的版本,目前最新的版本為 2017 年 10 月發表在《自然》期刊的 AlphaGo Zero。和過去最大的不同是,AlphaGo Zero 使用的是無監督式學習(Unsupervised Learning),只利用增強學習讓機器透過不斷和自己的對弈過程中摸索、從零開始,這樣的優化不僅耗能低,學習效率也大幅提升。

 

參考資料:

  1. Hassabis, D., Kumaran, D., Summerfield, C., & Botvinick, M. (2017). Neuroscience-inspired artificial intelligence. Neuron95(2), 245-258. https://doi.org/10.1016/j.neuron.2017.06.011
  2. Silver, D., Schrittwieser, J., Simonyan, K., Antonoglou, I., Huang, A., Guez, A., … Hassabis, D. (2017). Mastering the game of Go without human knowledge. Nature, 550(7676), 354-359. doi:10.1038/nature24270
  3. Hassabis, D., & Silver, D. (2017, October 18). AlphaGo Zero: Learning from scratch | DeepMind [Web log post]. Retrieved from https://goo.gl/6bS8hT
  4. 于天立(2016)。AlphaGo成為「棋靈王」是有多厲害?人工智慧未來又要怎麼走。取自:https://goo.gl/HLjNP3
  5. 明(2017)。從無知到無敵:AlphaGo Zero 是怎麼辦到的?取自:https://goo.gl/N9W7Ed

撰文│李岱穎
修訂│楊仁龍

About the author

Avatar

李岱穎

目前在英國牛津大學攻讀神經科學博士,主要研究興趣為系統與計算神經科學。對科普活動充滿熱忱,目前為 Pint of Science Event Manager、eLife 大使、以及 ENCODS (European Neuroscience Conference by Doctoral Students) 籌辦人等。希望能透過 Investigator 的平台和不同領域的人互相交流,並在臺灣推廣科學。