关于人工智能不会使大脑变懒惰的议论文_模拟人类大脑 ：人工智能的救赎之路 ？...

这两年， 频频有专家警示深度学习即将进入寒冬。 而同时， 一个名叫“类脑智能”的词汇火起来， 这个概念说的是一种比目前深度学习更加接近人脑的智能。 这背后的故事是， 深度学习的大佬，目前已经注意到深度学习的原创性进展面临瓶颈，甚至呼吁全部重来。为了拯救这种趋势， 模拟人脑再次成为一种希望。 然而这一思路是否经得住深度推敲? 我本人做过多年计算神经科学和AI ， 做一个抛砖引玉的小结。

AI发展的危机

人工智能， 目前多被理解成一个领域领应用的工程学科，从自动安防系统到无人驾驶是它的疆土，而模式识别和计算机专家， 是这片陆地的原住民。 目前的人工智能事实上以工程思维为主， 从当下人工智能的主流深度学习来看， 打开任何一篇论文， 映入眼帘的是几个知名数据集的性能比较，无论是视觉分类的ImageNet，Pascal Vol， 还是强化学习的Atari game。各种各样的bench mark和曲线， 让我们感觉像是一个CPU或者数码相机的导购指南。

那么， 是否这些在这些流行数据库跑分最高的“智能工具"就更智能？ 这可能取决于对”智能“ 本身的定义。 如果你问一个认知专家“智能”是不是ImageNet的错误率， 那么他一定会觉得相当好笑。 一个人可能在识别图片的时候由于各种劳累和马虎， 在这个数据集的错误率高于机器。但是只要你去和它谈任何一个图片它所理解的东西， 比如一个苹果， 你都会震惊于其信息之丰富， 不仅包含了真实苹果的各种感官， 还包含了关于苹果的各种文学影视， 从夏娃的苹果， 到白雪公主的苹果。 应该说， 人类理解的苹果更加接近概念网络里的一个节点，和整个世界的所有其它概念相关联， 而非机器学习分类器眼里的n个互相分离的“高斯分布”。

如果我们认为， ”智能“ 是解决某一类复杂问题的能力，是否我们就可以完全不care上述那种”理解“呢 ？ 这样的智能工具， 顶多是一些感官的外延， 而”感官“ 是否可以解决复杂问题呢？ 一个能够准确的识别1000种苹果的机器， 未必能有效的利用这样的信息去思考如何把它在圣诞节分作为礼品分发给公司的员工， 或者取悦你的女友。没有”理解“ 的智能， 将很快到达解决问题复杂度的上限。 缺少真正的理解， 甚至连做感官有时也会捉襟见肘， 你在图像里加入各种噪声， 会明显的干扰分类的准确性， 这点在人类里并不存在。比如下图的小狗和曲奇， 你可以分出来，AI很难。

”语言“ 在人类的智能里享有独一无二的特殊性，而刚刚的”理解“问题， 背后的本质是目前深度学习对语言的捉襟见肘。 虽然我们可以用强大的LSTM生成诗歌(下图)， 再配上注意力机制和外显记忆与人类对话， 也不代表它能理解人类的这个语言系统。 目前机器对自然语言处理的能力远不及视觉（当下的图卷积网络或可以这个领域做出贡献）。

更加糟糕的还有强化学习， 深度强化学习已经战胜了最强大的人类棋手。 但是强化学习却远非一种可靠的实用方法。 这里面最难的在于目前的强化学习还做不到可扩展， 也就是从一个游戏的问题扩展到真实的问题时候会十分糟糕。 一个已经学的很好的强化学习网络，可以在自己已经学到的领域所向披靡， 然而在游戏里稍微增加一点变化， 神经网络就不知所措。 我们可以想象成这是泛化能力的严重缺失， 在真实世界里，这恰恰一击致命。

事实上在很长时间里，人工智能的过分依赖工科思维恰恰给它的危机埋下了伏笔，在人工数据上破记录， 并不代表我们就会在刚说的“理解”上做进步。 这更像是两个不同的进化方向。 其实， 关于智能的更深刻的理解， 早就是认知科学家，心理学家和神经科学家的核心任务。 如果我们需要让人工智能进步， 向他们取经就看起来很合理。

脑科学与人工智能合作与分离的历史

虽然看起来模拟生物大脑是达到更高层次人工智能的必由之路，但是从当下的人工智能学者的角度，这远非显然。 这里的渊源来自人工智能的早期发展史，应该说深度学习来自于对脑科学的直接取经， 然而它的壮大却是由于对这条道路的背离。 我们可以把这个历史概括为两次合作一次分离。

第一次合作： 深度学习的前身-感知机。模拟人类大脑的人工智能流派又称为连接主义，最早的连接主义尝试就是模拟大脑的单个神经元。 Warren McCulloch 和 WalterPitts在1943 提出而来神经元的模型， 这个模型类似于某种二极管或逻辑门电路。事实上， 人们很快发现感知机的学习有巨大的局限性，Minksky等一批AI早期大师发现感知机无法执行“异或”这个非常基本的逻辑运算࿰