今天在這里，我想和大家探討一個問題，那就是我們的智能如何從物理材料中實現(xiàn)突破，這是科學界還未解答的問題。目前有兩種研究途徑，第一是研究大腦，因為大腦是有智能的，第二是努力打造一種具有智能的機器。這兩個領(lǐng)域相互之間沒有交集，每個領(lǐng)域的專家對另外一個領(lǐng)域都不太了解，我們需要投入更多的資源來進行兩者之間的交叉研究。

　　我要講兩點，第一點是這兩個研究領(lǐng)域在過去十年里面取得了很大的進展；第二點，我們現(xiàn)在已經(jīng)對兩個維度都進行相應(yīng)的實例研究，兩者之間的確出現(xiàn)了一些交集，可以互相學習和借鑒。

　　深度學習

　　在多領(lǐng)域的研發(fā)進展

　　人工智能在過去的十幾年里取得了重大進展，最近人工智能已經(jīng)戰(zhàn)勝了人類圍棋的冠軍，而且國際象棋、德州撲克也已經(jīng)被人工智能攻下，現(xiàn)在我們看到的則是無人駕駛汽車，比如Uber就在進行這樣的測試。

　　在過去的十年里，計算機視覺技術(shù)的進展很快，機器識別的準確率從過去的60%上升到95%左右。在語音方面也實現(xiàn)了突破，去年10月，微軟的對話語音識別技術(shù)在產(chǎn)業(yè)標準Switchboard語音識別基準測試中實現(xiàn)了詞錯率（word error rate，簡稱WER）低至5.9%的突破，創(chuàng)造了當時該領(lǐng)域內(nèi)錯誤率的最低紀錄。

　　比如前面講到了下圍棋、下象棋，人工智能在這一領(lǐng)域突破非?？?，背后主要是依靠深層次的機器學習。另外在腦科學方面的發(fā)展也非常迅猛，在過去十幾年的時間里，有很多先進的技術(shù)和設(shè)備，使得我們可以采用無創(chuàng)或者微創(chuàng)的方法進入到人的大腦，進行毫米級的觀察，而且在毫秒內(nèi)就可以對幾千張影像進行分析，觀察人腦的活性。此外，動物大腦的研究更加令人歡心鼓舞，通過基因方面的研究，在基因上進行相應(yīng)的工程，對老鼠和其他動物相應(yīng)的神經(jīng)元進行修飾、改變，這樣可以更好地對人的神經(jīng)活動進行一些管理和控制。

　　通過這樣一些腦科學的發(fā)展，腦科學領(lǐng)域的一些理論和假設(shè)都取得了突破。比如老鼠在一個迷宮中行走的時候，老鼠對自己在迷宮中的位置的感覺到底是怎樣的，這就可以通過觀測它的神經(jīng)元放電來找到。不同的情況下，大腦各個區(qū)域會進行相應(yīng)的振蕩，因此可以在不同的時間點進行觀測。當人們進行社交的時候，大腦當中管理社交的部分會得到同步的激活，不過有自閉癥的人和正常人的狀況也不一樣?？傊?，無論是人工智能還是腦科學，都取得了令人矚目的巨大進展。

　　人工智能與腦科學的結(jié)合

　　在研究方面，無論是腦科學還是人工智能都在進行交叉研究。首先是計算機視覺，神經(jīng)網(wǎng)絡(luò)的確使得計算機的視覺發(fā)生革命性的改變，這樣的一個神經(jīng)網(wǎng)絡(luò)，可以用來預(yù)測人腦當中的神經(jīng)元的活動，包括它的視覺皮層相應(yīng)的活動，這是一個深層次的神經(jīng)網(wǎng)絡(luò)。我們可以來看一些細節(jié)，單個神經(jīng)網(wǎng)絡(luò)當中的單元，通過輸入輸出可以看到相關(guān)的情況。我們可以對它的輸入進行研究，觀察它到底是怎樣的組合，我們可以對這樣深層次的網(wǎng)絡(luò)進行訓練，比如把輸入的影像通過輸出展現(xiàn)出這個影像到底是什么，然后進行相應(yīng)的深度學習。

　　這個時候我們就可以對網(wǎng)絡(luò)當中滯后的階段進行探測，看一下成為條件的時候它是怎么編碼的。在2014年的時候，有人做了一些實驗，他們訓練了不同的網(wǎng)絡(luò)，在訓練了這些神經(jīng)網(wǎng)絡(luò)之后，把同樣的影像給這些神經(jīng)網(wǎng)絡(luò)看，通過FMI的掃描儀，觀察人的大腦當中相應(yīng)的神經(jīng)活動，來更好地進行預(yù)測。

　　現(xiàn)在人工的神經(jīng)網(wǎng)絡(luò)可以被我們用來訓練，做一些相應(yīng)的預(yù)測，也就是說我們現(xiàn)在可以建立一種橋梁，對大腦當中的腦神經(jīng)的活動進行預(yù)測，這樣就打開了無限的可能，可以回答很多有趣的問題。

　　比如人的視覺到底是怎樣形成的，以及可以用怎樣的設(shè)備設(shè)計更好的人工神經(jīng)網(wǎng)絡(luò)，幫助我們做這樣的預(yù)測。一層一層進行輸入、輸出，這樣可以進一步推動人工的神經(jīng)網(wǎng)絡(luò)。我們知道大腦當中的確是不一樣的，大腦當中是有前輸和后輸?shù)模谶@個橋梁當中可以進行研究，人工的大腦和人的大腦到底有什么區(qū)別，然后相互借鑒、促進。

　　這里有另外一個例子，也是來自于最近的一個研究，是自然語言處理領(lǐng)域的研究成果，那就是谷歌的自動翻譯系統(tǒng)的能力得到了很大的提升，比之前更精確了，這是為什么呢？主要是深層次的神經(jīng)網(wǎng)絡(luò)，更可能是由于網(wǎng)絡(luò)里有一些儲存。通過對大腦的研究，我們觀測大腦怎樣用神經(jīng)活動來解釋不同單詞相應(yīng)的詞義，這些詞義給了我們更好的回答方式。對這些細節(jié)進行研究，我們會產(chǎn)生一種模型或者理論，來幫助我們對大腦的活動進行預(yù)測，通過這樣一個模型結(jié)構(gòu)，來對應(yīng)任何輸入。

　　比如說電話，首先這個模型產(chǎn)生一個代碼，用它預(yù)測神經(jīng)活動，大腦當中有兩萬個不同的位置被預(yù)測出來。然后進一步通過矢量來進行預(yù)測，比如這里是芹菜和飛機的兩個矢量，兩個矢量的特征都和相應(yīng)的詞語對應(yīng)。對應(yīng)芹菜可以看到和芹菜相關(guān)聯(lián)的字數(shù)，口味是和芹菜相應(yīng)的一個關(guān)聯(lián)度；對飛機來說，則會出現(xiàn)很多的動詞，可以看到相關(guān)的一些詞就出現(xiàn)了。

　　通過這樣的一些模型當中的編碼，可以很好地復現(xiàn)一些皮層當中出現(xiàn)的詞，我們對模型進行訓練。我們看到在下面對任何詞的神經(jīng)活動，比如芹菜，把這些語義的特征組合起來，通過模型的學習，把這些特征進行關(guān)聯(lián)，可以發(fā)現(xiàn)，“吃”這個詞和芹菜這個詞的關(guān)聯(lián)度是最高的。通過這樣的研究很有意義，給到一個新詞，比如說之前沒有訓練過，在對它的預(yù)測分析當中我們發(fā)現(xiàn)，在83%的情況下有兩個新的詞，哪個是第一關(guān)聯(lián)，哪個是第二關(guān)聯(lián)，有50%的可能性是正確的，有的詞從來沒有出現(xiàn)過，也會有很高的識別率，也就是說，神經(jīng)的活動對詞義的表達，是用了我們矢量表達法來進行詞義解釋。這是技術(shù)的表達，在人工智能和人腦當中存在一個橋梁的關(guān)系。

　　第三個例子是我們講的強化學習，這個是現(xiàn)在非常流行的，比如相關(guān)的培訓當中會出現(xiàn)一些強化學習的算法。很多時候?qū)游锏囊恍┆剟顚W習，也屬于強化學習的方式。比如發(fā)一些糖給猴子吃，猴子認為這是獎勵，所以大腦里有放電的現(xiàn)象，然后就可以找到對應(yīng)的神經(jīng)元。

　　這樣的一種神經(jīng)元放電代表什么呢？可能對這個獎勵，也就是這個糖有所感應(yīng)，所以放電了。通過這樣的實驗來訓練這些猴子，給猴子糖以后，后一秒就開始閃光，這個時候我們可以看到的情況就是給了猴子糖以后，猴子的神經(jīng)元沒有任何反應(yīng)，而是當閃光以后，猴子的神經(jīng)元才放電，說明猴子的神經(jīng)元并不是因為給了糖才反應(yīng)，而是對獎勵這個事情本身放電，這是很酷的研究。

　　還有一種情況，沒有給糖，只是閃光，猴子怎么反應(yīng)？沒有給糖，沒有任何獎勵，這個神經(jīng)元就會怎么樣來表達呢？閃光之后，猴子發(fā)現(xiàn)并沒有給糖，這是一種抑郁，而不是獎勵，這是和強化學習直接相關(guān)的。這樣的一個情況，很好地解釋了我們看到的猴子的神經(jīng)元的表現(xiàn)，因此在人工智能算法和我們?nèi)说拇竽X之間或者動物的大腦之間，有這樣一種橋梁的關(guān)系，因此強化學習的算法對機器人的控制是可以用的，比如可以用于打敗人類冠軍的Alpha Go的訓練。因此通過這樣的一些對大腦行為的觀測和檢測可以幫助我們進行人工神經(jīng)網(wǎng)絡(luò)的訓練。

　　通過這些方式，我們剛才也講了矢量的應(yīng)用和強化學習的方式，這樣一些人工智能的算法，在我們的大腦當中，觀測到了神經(jīng)元活動的關(guān)聯(lián)。因此我覺得，現(xiàn)在人的腦科學和人工智能方面到了可以有更多交集的好時機，我們應(yīng)該在人工智能和腦科學之間搭建更多的橋梁。

　?。ū疚母鶕?jù)Tom Mitchell在GMIC2017上的演講整理而成，未經(jīng)本人確認。）

　　卡內(nèi)基﹒梅隆大學計算機科學學院機器學習系主任 Tom Mitchell

關(guān)注讀覽天下微信， 100萬篇深度好文， 等你來看……