從搜索引擎到自動(dòng)駕駛汽車，人工智能已經(jīng)進(jìn)入到人們的日常生活，這與近年來所實(shí)現(xiàn)的巨大計(jì)算能力密不可分。不過，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)駕駛汽車保持在車道內(nèi)行駛（圖片來源：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”，而是可以被人類理解。

　　與大腦類似，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，以決定是否它也要活躍起來，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)過程中，此類參數(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，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。”

　　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)駕駛汽車保持在車道內(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)模縮小兩個(gè)數(shù)量級(jí)，只采用7.5萬個(gè)可訓(xùn)練參數(shù)。”

　　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，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，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)。”