從搜索引擎到自動駕駛汽車，人工智能已經(jīng)進入到人們的日常生活，這與近年來所實現(xiàn)的巨大計算能力密不可分。不過，最近有一項新研究的結果表明，與之前相比，采用更簡單、更小的神經(jīng)元網(wǎng)絡能夠更好、更高效、更可靠地解決某些任務。

據(jù)外媒報道，維也納工業(yè)大學（TU Wien）、奧地利科學技術研究所（IST Austria）以及美國麻省理工學院（MIT）組建的一支國際研究小組研發(fā)了一種新型人工智能系統(tǒng)，基于蟯蟲等微小動物的大腦構建，可以采用少量的神經(jīng)元控制車輛。該小組表示，與之前的深度學習模型相比，該系統(tǒng)具有決定性的優(yōu)勢，如可以更好地應對有噪輸入信號。此外，由于該系統(tǒng)很簡單，因而可以詳細解釋其運行模式，不是一個復雜的“黑匣子”，而是可以被人類理解。

與大腦類似，人工神經(jīng)網(wǎng)絡也由許多獨立的細胞構成。當一個細胞處于活動狀態(tài)時，它會向其他細胞發(fā)送信號。下一個細胞會將所有接收到的信號組合起來，以決定是否它也要活躍起來，即一個細胞影響到下一個細胞活動的方式?jīng)Q定了該系統(tǒng)的行為。在自動學習過程中，此類參數(shù)會被調(diào)整，直到該神經(jīng)網(wǎng)絡可以解決某個特定的任務。

研究人員表示：“多年來，我們一直在研究可以從自然界中學習到什么，以改進深度學習。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，這是因為線蟲的神經(jīng)系統(tǒng)會以高效且和諧的方式處理信息。大自然告訴我們，還有很大的改進空間。因此，我們的目標是大幅降低神經(jīng)網(wǎng)絡模型的復雜性，增強可解釋性。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)學模型?！?/p>

該神經(jīng)網(wǎng)絡內(nèi)單個細胞內(nèi)部的信號處理所遵循的數(shù)學原理與之前的深度學習模型不同，而且該神經(jīng)網(wǎng)絡非常稀疏，意味著并非每個細胞都與其他細胞連接在一起，從而也可讓該網(wǎng)絡變得更簡單。

為了測試新網(wǎng)絡，研究小組選擇了一個特別重要的測試任務：讓自動駕駛汽車保持在車道內(nèi)行駛。該神經(jīng)網(wǎng)絡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)百萬個參數(shù)的深度學習模型經(jīng)常被用于學習自動駕駛等復雜任務。但是我們的新方法能夠讓我們將該網(wǎng)絡的規(guī)?？s小兩個數(shù)量級，只采用7.5萬個可訓練參數(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)絡進行處理，該網(wǎng)絡只會感知視覺數(shù)據(jù)，從輸入的像素中提取結構特征，并決定哪些部分是有趣且重要的，然后將信號傳輸?shù)皆摼W(wǎng)絡的關鍵部分——“控制系統(tǒng)”，然后就可以控制車輛。

兩個子系統(tǒng)堆疊在一起，同時接受訓練。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)就可以學會自動將圖像與合適的行駛方向連接起來，并能夠獨自處理新情況。

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

該款新型深度學習模型在一輛真正的自動駕駛汽車上接受了測試。研究人員表示：“我們的模型可以讓我們查看在車輛行駛時，該網(wǎng)絡關注的是什么。我們的網(wǎng)絡關注于攝像頭圖片中非常具體的部分：路邊以及地平線，此種行為是獨一無二的。此外，可以確定每個細胞在任何駕駛決策中的作用，可以理解單個細胞的功能及行為。”

研究人員還表示：“為了比較NCP與之前深度模型的魯棒性，我們對輸入的圖像進行了干擾，并評估了該代理處理有噪信號的能力。對于其他深度神經(jīng)網(wǎng)絡而言，該問題難以克服。但是，我們的NCP卻可以抵御輸入的偽信號。我們新模型的兩大優(yōu)勢是可解釋性和魯棒性，不過，也還有其他優(yōu)勢，例如，可以減少訓練時間，可以在相對簡單的系統(tǒng)中實現(xiàn)AI。此外，我們的NCP可以讓模仿學習應用于倉庫自動化作業(yè)、機器人運動等各種應用。新方法為AI社區(qū)開辟了新前景，生物神經(jīng)系統(tǒng)的計算原理可成為構建高性能可解釋AI的巨大資源，替代現(xiàn)有的黑匣子機器學習系統(tǒng)?！?br /> 責任編輯：YYX