AI距離匹敵人類大腦還有多遠？人工神經網路和生物神經網路最詳細對比

2017 年 11 月 8 日，在北京國家會議中心舉辦的 AI WORLD 2017 世界人工智慧大會開放售票！早鳥票 5 折 搶票倒計時 3 天開搶。還記得去年一票難求的AI WORLD 2016盛況嗎？今年，我們邀請了冷撲大師」之父 Tuomas 親臨現場，且谷歌、微軟、亞馬遜、BAT、訊飛、京東和華為等企業重量級嘉賓均已確認出席。

能夠學習被認為是智能生物的一大標誌。機器學習現在有能力從數據集中學習和推斷，從而完成複雜的任務，比如對以前從未見過的物體進行分類。

機器學習與人類學習有著驚人的相似和重要的差異。通過比較和對比生物與人工智慧如何學習，我們可以建立一個更完善的架構。

從神經元說起

在生物神經網路中，學習源自於大腦中無數神經元之間的連接。大腦接觸到新的刺激後，這些神經元之間的連接改變了配置。這些更改包括出現新的連接，加強現有連接和刪除那些沒有使用的連接。例如，重複給定任務的次數越多，與這個任務相關的神經連接就越強，最終我們會認為這個任務被學會了。

神經元使用記憶和感知里預先建立（pre-established）的表徵來處理新的刺激。每個刺激都能讓一組神經元在認知過程中會被激活，而這樣的神經元有很多很多。

這種生物學上的奇妙設計也啟發了人工智慧研究者，人工神經網路（ANN）旨在抽象地模擬這種行為，但規模和形式都要小並且簡單得多。

什麼是人工神經網路（ANN）？

ANN由互相連接的神經元組成，這些神經會接收一組輸入，以及一組連接權重的設置，然後進行一些數學運算，並將結果作為一組與生物神經元中的突觸相似的「激活」作為輸出。ANN通常由幾百到上千個神經元組成，但人腦的生物神經網路有數十億神經元。

從比較高的層次看，人工神經網路由四個部分組成：

• 神經元

• 拓撲結構，也即神經元之間的連接路徑

• 權重

• 一種學習演算法

在人腦生物神經網路和用軟體表達的人工神經網路之間，這四大部分有著顯著的不同。

在下圖中，我們看到一個生物神經元。軸突（Axon）負責輸出從神經核到其他神經元的信息，樹突（Dendrite）則負責從其他神經元接收信息，來自神經元（突觸）的電化學信號聚集在細胞核中。如果電信號聚合超過突觸閾值，就會形成電化學脈衝，沿軸突向下傳播到其他神經元的樹突。

下圖展示了一個人腦中神經元拓撲結構的合理假設。可以看出，這個結構蘊含了讓信息循環和傳播的巨大潛力。

生物神經網路中的學習：對現有表徵進行微調，初始狀態由遺傳衍生而來

在像人腦這樣的生物神經網路中，學習是通過對現有表徵進行微小調整實現的，其配置（configuration）在任何學習開始前就已經包含了重要的信息。神經元或權重之間的連接的強度不以隨機的方式開始，連接的結構，即網路拓撲也並非隨機。這種初始狀態是由遺傳衍生而來的，是進化的副產物。

隨著時間的推移，網路通過調整拓撲和權重來學習如何執行新的功能。實際上，擁有一個起始表徵（initial representation）對完成任務來說都很有用，這一點有證據支撐。研究表明，一個月大的新生兒可以通過學習識別陌生人和父母的臉之間的差異。換句話說，人類對「人臉」的概念在很大程度上是從父母那裡傳承的。

隨著嬰兒逐漸發育成長，走過童年、青春期、成年，甚至到退休，他們每天都會看到和認識新的朋友，並且要學習他們的樣子。而這是通過對大腦中神經網路進行微小的改變來實現的。

同樣的現象也適用於其他任務，包括被動感知任務，從識別通用對象到將聲音作為一種語音模式來處理，以及主動進行的任務，比如運動和說話。這些技能逐漸被學習，那些用於改進它們的調整幅度也不斷縮小。對應這種現象的精確的拓撲結構，是訓練這些生物神經網路刺激類型的函數。一個著名的例子是由諾貝爾獎得主David Hubel和Torsten Wiesel領導的單眼剝奪研究。該研究涉及在發育過程中強迫動物的眼睛閉合兩個月，觀察其主要視覺皮層的變化。

結果表明，通常對雙眼輸入有反應的細胞變得完全不再對信號產生反應。因此，動物大腦和眼睛中的細胞都發生了改變。這種現象也延伸到人類身上。例如，對視覺感知的心理測驗表明，相比居住在農村的人，生活在城市中的人往往對平行線條和銳角更敏感（居住在農村的人則對光滑的紋理漸變更敏感），很可能是城市中道路、摩天大樓和窗戶的平行結構過多造成的。

人工神經網路中的學習：從頭開始，初始狀態隨機

與生物神經網路不同，人工神經網路（ANN）通常從頭開始訓練，使用的素材是現有的針對某個問題的拓撲結構。目前，這些網路的拓撲不會隨時間發生變化，而網路的權重也是通過優化演算法隨機初始化和進行調整，儘可能將輸入刺激映射到期望的輸出函數。

不過，ANN也可以基於先前存在的表徵來進行學習，這一過程被稱為微調。微調也包括使用相對較慢的學習速率調整預訓練網路拓撲的權重，從而讓網路在新的訓練數據上表現良好。

我們也可以毫不費力地複製ANN，但是要做出一個人類大腦還需要一定的時間。

無論是從頭開始還是微調訓練，權重更新過程都是通過在神經網路中傳遞數據

測量結果，並相應地修改權重開始的。這就是人工神經網路如何進行「學習」的整個過程。權重會按照能在最大程度上提高所需任務性能的方向被逐漸改變，例如最大限度準確識別輸入樣本的方向。人工神經網路這種學習過程，可以比作一個試圖學習識別日常物品的孩子。在嘗試失敗後，對答案的準確性進行反饋，孩子再次嘗試不同的方向，為了得到正確的反應。

ANN在學習時執行的都是相同的任務。一旦這個學習過程完成，ANN就可以使用以前的問題表徵來對學習過程中以前沒有接觸過的新刺激做出反應。跟人類的孩子一樣，ANN通過接觸儘可能多的類似問題，讓自己學得更好。對於人類兒童，練習的次數越多，就能越快處理新的問題，因為孩子大腦中的相關神經元連接變得更加明確。而ANN則類似於更廣泛地分配有關任務的可能刺激的廣泛分布，從而在以前沒有接觸過的相同分布中學習，應對新的刺激。

越多接觸越好：白天鵝 vs 黑天鵝

我們人類在長久的發展中學習到，對於兒童來說，暴露在現實世界中的機會越多，他們就能夠學得越好，即使這種學習有時候是痛苦的。事實上，當學習是痛苦的時候，痛苦本身就是一個很大的反饋機制。類似地，要訓練或微調任何類型的神經網路，將ANN暴露於特定領域中的各種刺激是非常重要的，並且這可以確保你的模型不會對某一種刺激產生過擬合。

通過對特定類別的刺激進行額外的表示，網路可以更好地分類新的刺激或生成概念。這適用於生物神經網路和人工神經網路，雖然生物神經網路在泛化上做得更好。這是真的，部分是因為它們暴露於更多的數據類型和模式，部分原因是由於更先進的生物拓撲和學習演算法，並且在很大程度上是因為達爾文主義。

這一說法的一個例子，來源於Nassim Taleb開發的「黑天鵝理論」。這個術語來自於16世紀倫敦的一個「常識」，有人認為所有天鵝都是白色的，因為沒有任何其他顏色的天鵝的記錄。因此，對他們來說，天鵝必須是白色的，才能被分類為天鵝。荷蘭探險家威爾明·德·弗萊明（Willem de Vlamingh）後來見到了西澳的黑天鵝，改變了這種固有的分類。

這裡的概念是，如果一個人從小到大到只能看到白天鵝，也就是說，一個人的神經網路只能在「所有的天鵝都是白色的」這一分布上進行訓練，這個時候給他呈現一個「黑天鵝」，他就不能將它分類為天鵝， 因為這是一個從未見過的天鵝。如果一個人從小到大看到天鵝有兩種顏色，那麼他更適合對所有的天鵝類型進行分類，因為這個生物神經網路是在更大的天鵝類型分布上進行訓練的，這些分布中包括了更多的知識，讓人可以更多地了解天鵝可能包含的屬性。

泛化，或者說從以前學到的知識進行抽象的能力，是一種非常有用的功能，可以通過輕微地權重調整，快速地解決跨不同領域的問題。這是一個神經網路針對遷移學習和解決適應性問題的方案。

事實上，不用重新連接很多的神經元這一點，也是平均而言經常滑雪的人要比第一次滑雪的人滑得快的一個原因。被訓練用於物體檢測的人工神經網路在通過微調後，也能很好用於面部識別，其性能往往比從頭開始在相同的面部識別數據集上嚴格訓練的解決方案要更好。

人 vs 機器

應該清楚的是，今天的人工神經網路還處於起步階段。雖然在結構上類似，對於權重概念，神經元（功能單位），拓撲學習和學習演算法，它們還不能模仿人類對於許多複雜類型任務的處理能力。它們的拓撲結構要簡單得多，它們的數量級要小一些，學習演算法比較幼稚。此外，他們還不能同時接受許多異構任務的訓練。

隨著我們繼續構建ANN來解決諸如檢測以前未知類型的惡意軟體的難題，我們還將繼續了解人類大腦如何完成任務。或者某些類別的任務，ANN實際上可以勝過人類分析人員的準確性和速度。大腦中的動作電位以千秒數傳播，而ANN可以更快地對數據量進行分類。

對於其他任務，ANN的優勢補充和增強了即使是最強大的人類思維的能力，使大型工作流程自動化。在不久的將來，ANN將開始在近人甚至超人的層面上執行額外的任務，它們可能在數學和結構上更類似於生物神經網路。

原文鏈接：https://news.sophos.com/en-us/2017/09/21/man-vs-machine-comparing-artificial-and-biological-neural-networks/

【掃一掃或點擊閱讀原文搶購「早鳥票」】

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！