您当前的位置:周末画报 > 商业 > 财富 > 解锁动物大脑,提升人工智能技术

解锁动物大脑,提升人工智能技术

评论
摘要: 鼠鸟虫鱼等动物头脑正在被神经科学家和计算机科学家们所重视,神经科学家也在科技行业变得炙手可热。未来AI进化的灵感将很大程度上来自计算机对动物头脑经验的学习。
发表评论
文章评论
目前尚无评论,欢迎发表

“美洲虎”(Jaguar)是一只老鼠。他住在哈佛大学罗兰研究所(Harvard's Rowland Institute)里,会时不时地在一台装置上玩视频游戏,这台怪异的装置看起来好像来自电影《发条橙》(A Clockwork Orange)。他被金属条围在一个小平台里,平台后面有一根金属杠杆,他的任务是通过触觉找到一个虚拟盒子的边缘。为了做到这一点,他得用右爪抓起可以旋转360度的操纵杆,然后移动它,直到他感知到来自这台机器的反馈。当他达到正确的目标区域,也就是这个盒子的边缘时,一根管子里会流出一滴糖水作为奖励。


为了追踪“美洲虎”的大脑活动,研究人员对他进行了基因改造,使他的神经元在放电的时候能发出荧光。通过一块用牙科黏固剂融入他头骨中的玻璃板,可以看到这种荧光。一台固定在这块玻璃板上的显微镜会记录下他玩游戏时大脑兴奋的图像。负责这项实验的神经科学家麦肯齐·马蒂斯Mackenzie Mathis说:“在一场游戏的时间里,你可以教给他们新的规则并真正观察到成千上万个神经元在学习这个过程,然后看它们是如何变化的。”


在过去的几十年中,马蒂斯的观察研究让我们增进了对老鼠和大脑功能的了解。然而今天,有越来越多的专业动物研究人员在协助开发人工智能软件和脑机接口,她只是其中一员。她想要搞清楚老鼠的学习过程,部分原因是它可以告诉我们如何教会电脑学习。举例来说,观察老鼠对视频游戏中意外情况的反应,有朝一日可以让她把类似的技能传授给机器人。


另外一些神经科学家在研究斑胸草雀的鸣啭技巧。还有些人逐渐成为绵羊头骨电导率方面的专家。此外,有更多人选择高中生物学的经典研究对象:果蝇,它们的神经结构相对简单直观;或者蠕虫, 它们为数不多的神经元会挤出相当可观的汁液。在过去几年中,科技公司一直在大学里搜罗这样的人才。马蒂斯说,苹果公司(Apple)、Facebook、谷歌(Google)和Twitter都聘请了她最近几个奖学金项目的博士研究生。“这些博士研究生在获得学位之前就能找到工作。”


长期以来,动物一直在推动企业科研方面发挥着重要作用,特别是在医学治疗领域。但是,要把斑胸草雀的声音处理结构带来的启示融入Siri语音识别软件,或者把老鼠游戏实验的成果运用到亚马逊公司(Amazon.com Inc.)未来由机器人管理的仓库,必须按照全然不同的秩序实现飞跃。在各个新兴行业都处在成败关头的情况下,这场揭开动物思维秘密的竞赛开始变得越来越奇特。


1958年,康奈尔大学的神经学家弗兰克·罗森布拉特(Frank Rosenblatt)研制出了感知机,这是在计算机内部模拟大脑结构的最早尝试之一。他把感知机的处理元素称为神经元,它们可以互相配合,辨认出一张特定照片上的人物是男性还是女性——这是图像识别技术的早期尝试。用来描述这台感知机的术语保留了下来,Facebook、谷歌和其他公司继续将他们庞大的人工智能计算系统描述为有数百万个神经元协同工作的“神经网络”。


即使是在今天,这种简略的表达方式也极度夸大了计算领域和认知领域之间重叠的部分。要复制你并不真正理解的东西是很困难的事。大脑真正的工作原理——比如说,一群神经元是如何储存记忆的——对于神经科学来说依然是难以把握的领域,因此,神经元的数字对应物只能进行有瑕疵的模仿。它们是基本的处理引擎,经过训练能够执行大量的统计计算并识别形态,只是冠以了生物学的名称而已。


波士顿大学的蒂姆·奥奇手握着他最重要的研究对象之一 ——斑胸草雀

波士顿大学的蒂姆·奥奇手握着他最重要的研究对象之一 ——斑胸草雀


打通AGI与脑机接口

然而,在科技行业追逐所谓的通用人工智能(AGI)之际,计算领域和认知领域之间的壁垒出现了越来越多的孔隙。其中的隐含目标是造出一种有感知功能的机器,可以无需人类训练就可以自行辨认物品,而且对物品有立主的需求。让一些伦理学家感到宽慰的是,虽然我们距离AGI还有很长的路要走,但许多计算机科学家和神经学家都认为,大脑将会给我们指明道路。


另外,有几家公司正在努力研发脑机接口,可以帮助假肢像自然肢体一样行动自如,或者让人们将知识下载到头脑中。埃隆·马斯克(Elon Musk)的Neuralink Corp.就是这样一家公司;另外一家是科技富豪布赖恩·约翰逊(BryanJohnson)经营的Kernel。神经学家在给这些初创公司提供咨询,涉及的问题包罗万象,包括如何让海量信息直接穿透头骨进入大脑并确保电极不会在测试对象身上引发感染。


这两项研究适用的科学原理在马蒂斯的哈佛实验室里体现得非常明显。她说:“这是我们的老鼠宫殿。”说着,她打开了一扇门,映入眼帘的是装着几十只老鼠的塑料笼子。这些小动物跑来跑去,一边抬起头、抽动着胡须,一边打量着访客。它们的宿舍里整洁干净,只散发出轻微的啮齿类动物气味。一盏红灯照亮着这个栖息地,以确保这些夜间活动的生物在白天保持清醒,随时准备为科学做出贡献。


这里所说的科学包括上文介绍的虚拟盒子游戏和一种更具难度的游戏,看起来好像原始形式的《马里奥赛车》(Mario Kart)。就后一种游戏而言,老鼠要横跨在两块特制的电动圆盘上,把爪子伸进两侧的凹槽里。屏幕上显示着一条绿色通道,末端是一个蓝色的长方形。当老鼠开始在正确的位置上奔跑时,要努力触及这个蓝色的长方形,它必须小心调整方向以保持在这条虚拟通道上。和人类一样,老鼠玩游戏的时候也是一副目光呆滞的模样。一场游戏大约要持续半个小时,然后它们就会失去兴趣。


窥探它们大脑活动的显微镜记录下了数量惊人的信息。马蒂斯说:“我们可以同时观察它们所有的感觉、运动皮层和决策区域。”研究人员有时候会改变游戏规则和控制手段——比如说,让它们拉动操纵杆时产生“之”字形运动而不是直线运动——然后,观察神经元放电方式有何不同。马蒂斯还一直在研究如果关闭某些神经元子集——例如与学习有关的节点——其余部分会有什么反应。初步的观察结果是当涉及到运动解码时,感觉皮层和运动皮层一同发挥着作用,而感觉皮层的作用似乎大于原先的想象。她说:“这些神经元不止负责某一个特定事项,它们能做的事情要多得多。”


她的主要目标之一是了解动物如何快速适应物理环境的变化。举例来说,当你拾起一个未知重量的物体时,你的大脑和身体会迅速计算出需要用多大的力气来做这件事。机器人目前还做不到这一点,但是,给机器人注入老鼠的神经元学习模式,就有可能做到。马蒂斯说,老鼠是可以帮助缩小这种差距非常理想的候选实验对象。它们的大脑足够复杂,可以显示出高水平的决策,但又足够简单,可以让研究人员有充分的时间推断出关联性。


每只老鼠的大脑平均约有7500万个神经元,我们直到最近才开发出足够强大的计算机,可以捕捉、处理和分析这些神经元中某个子集产生的数据量。而且直到最近几年,人工智能软件才发展到足以自动完成这大部分研究的程度。马蒂斯和她的丈夫、同为神经科学家的亚历克斯·马蒂斯(Alex Mathis)开发出了名为DeepLabCut的开源软件,以追踪他们实验对象的活动。该应用程序使用图像识别技术来追踪某只老鼠在玩游戏时产生的微量数据,并监测它对糖水奖励的反应。


科学家过去常常要用手工来完成这类工作,在他们的笔记本上记录下每次给水的情况。这款软件现在可以在几分钟之内完成过去需要几周甚至几个月才能完成的细致人力工作。亚历克斯说:“有人从2015年开始要写一篇关于灵长类动物的论文,他们要跟踪监测好几个身体部位的活动,例如指关节、四肢和一条前臂,而这只猴子要完成不同的任务,例如伸手去够东西并且拿住它们。这篇论文的第一作者写信给我说,他的博士学位可能提前两年拿到。”现在,有200多个研究中心利用DeepLabCut来跟踪监测各种动物。


神经科学家在动物认知方面的专业见解引起了科技公司的强烈关注,同样,这类软件开发和分析也让科技公司变得求贤若渴。当代的大脑研究人员必须知道如何编码和处理大量信息,就像谷歌人工智能部门的员工要知道如何改进广告算法或无人驾驶汽车的并线能力一样。围绕动物做研究的神经科学家还要习惯于带着非常规思维来工作。麦肯齐说:“创造力强的人往往都有点牛仔精神,愿意把自己职业生涯的赌注押在对一只黑匣子的研究上。”


麦肯齐·马西斯和亚历克斯·马西斯

麦肯齐·马西斯和亚历克斯·马西斯


模拟动物智能

蒂姆·奥奇(Tim Otchy)的研究对象不是老鼠,而是鸟。作为波士顿大学(Boston University)的研究助理教授,奥奇在自己的右前臂上纹了一只斑胸草雀的图案:这只矮胖的小鸟有一张亮橘色的喙,栖息在树枝上,若有所思地凝望着天空。他说:“我真的很喜欢鸟。”他坐在一个堆满书籍的办公室里,近处的几本包括《细胞黏液菌》(The Cellular Slime Molds)、《非线性动力学和混沌》(Nonlinear Dynamics and Chaos)以及《脑进化原理》(Principles of Brain Evolution)。


当奥奇于20世纪90年代末在佐治亚理工学院(Georgia Instituteof Technology)主修机械工程专业时,他还为一家专门从事工厂系统自动化的公司工作。他的职责是教机器人辨认物品,比如说辨认是小工具还是汽车零部件,然后在传送带把这些物品传送过来的时候对它们进行分类。他说:“让我感到惊讶的是这太困难了。这些可是小孩子都能完成的任务。”挫败感让他决心揭开感知、决策和学习的内在运行原理。他离开了那家工厂,最终,进入了神经科学和斑胸草雀的研究领域。


像斑胸草雀这样的鸣禽有一套不同寻常的技能。虽然大多数生物本能地会发出声音,但鸣禽能够学会模仿它们听到的声音,然后改变音调,展示出它们对鸣啭的一些语义理解。几十年的研究已经确定了这种草雀的大脑结构,也就是由所谓的鸣啭神经核来负责这种行为。对这个区域的研究已经使科学家深入了解了神经回路是如何发挥作用的,从而为围绕人类是如何移动、感觉和表达的其他研究提供信息。弄清楚鸟类之间相互模仿的过程可能有助于解释我们人类是如何做同样的事情,从而证明把语言技能传授给机器的重要性。


在波士顿大学的一间鸟舍里,有大约300只鸟供奥奇进行研究。在一项实验中,研究人员将给一只斑胸草雀配备一个装有电池的背包,可以为附着在头骨上的电子设备供电。然后,这只鸟将被放在一个微波炉大小的箱体里,它要在这里引吭高歌几天,在此期间,奥奇和他的团队将通过类似于马蒂斯做老鼠实验的那种机械装置观察它的大脑活动。随着研究人员对斑胸草雀声音处理中心的了解越来越多,他们对于有关其大脑问题的解答也越来越精确。奥奇说:“我们不知道如何骑自行车、如何开直升机或者如何讲日语这些信息是怎样储存到大脑里的。有朝一日,我们将了解这一切。”


在蒂姆·加德纳(Tim Gardner)请假离开和他同名的加德纳实验室(Gardner Lab)前往Neuralink工作后,奥奇开始管理这个实验室。Neuralink寻求用一种超高速计算机来增强人脑。加德纳的离开在神经科学家以及对马斯克的愿景感到振奋的学生当中引起很大的反响。加德纳没有回应置评要求,他正在把实验室搬到俄勒冈大学(University of Oregon);他将继续为Neuralink做兼职工作。奥奇说:“在遥远将来的某一天,我们可以把信息直接写进大脑——现在这还只是幻想,但我发现这个想法真的很令人惊叹。为了找出梦想成真的办法,我愿意贡献自己的力量,哪怕很微不足道。”


罗布森和珍妮弗·李坐在他们的核磁共振成像仪旁

罗布森和珍妮弗·李坐在他们的核磁共振成像仪旁


鸟类对其鸣叫声的语义理解,如果得到正确的理解的话,有望应用到语音识别软件当中。

鸟类对其鸣叫声的语义理解,如果得到正确的理解的话,有望应用到语音识别软件当中。


神经科学时代的到来

鸣禽研究人员是各种人工智能领域当中最炙手可热的招募对象之一。在拿到加州大学伯克利分校(University of California at Berkeley)的博士学位并在苹果公司工作一段时间后,钱宁·穆尔(Channing Moore)加入了谷歌的声音理解团队,在那里,他创建了和该公司的图像识别软件一样复杂的声音识别系统,可以区分警报器和婴儿的哭声。在英特尔公司(Intel Corp.),加州大学伯克利分校的另一位博士泰勒·李(Tyler Lee)正在利用他对斑胸草雀的研究来改进声音处理技术——最终将催生出诸如Siri这样的语音控制软件。他说:“我们试图提出非常相似的问题。我怎样才能接受听觉输入信号并对它进行处理?在处理过程中,我能否理解某人在说什么,知道他们周围的噪音是什么,知道他们处在什么样的环境中?”


穆尔和泰勒·李都曾在加州大学伯克利分校教授弗雷德里克·托伊尼桑(Frederic Theunissen)管理的实验室学习。托伊尼桑说,许多潜在的应用都出自他管理的重点研究领域。他说:“如果你对自动语音识别和声音识别等问题感兴趣,你就能获得一套特殊的技能。”电话和其他设备上基于声纹的安全系统就是一个例子。还有一个例子就是降低电话通话和视频过程中的噪音。这项应用就源于穆尔对抗噪鸟类的研究。斑胸草雀的神经元能够将另一只草雀的鸣啭声从周围的杂音中分离出来。


自里根时代以来,学者们就一直试图宣称神经科学时代的到来。但是,在本世纪的最初几年,神经科学专业年轻毕业生的发展前景都很暗淡,人数也不多。根据美国教育部(Department of Education)的数据,15年前,美国大学里的神经科学本科生人数不足1500人,博士生不到400人。即使只有这么少的人,学校都没有足够的全职工作或拨款分配给每个学生。


当德鲁·罗布森(Drew Robson)于2005年怀揣数学学位证书从普林斯顿大学毕业的时候,他的本科辅导员给了他一条令人难忘的建议:无论你做什么,都不要从事神经科学。罗布森没有理会这条建议,而是与他的搭档、在普林斯顿结识的恋人珍妮弗·李(Jennifer Li)一起在罗兰研究所创办了RoLi Lab实验室。他们看到这个领域在迅猛成长,以至于现在美国的高等院校每年授予大约5000个神经科学学士学位和600个博士学位。罗布森说:“在过去十年中,我们的研究领域出现了爆炸式增长。”


RoLi团队研究斑马鱼,它们是鲦鱼家族的成员,年幼时身体呈透明状,这就使研究人员无需通过头骨板手术和牙科黏固剂就可以观察到它们的神经元。罗布森和珍妮弗· 李开发的一种特殊移动显微镜可以帮助他们记录鱼儿游泳的时候哪些神经元处于活跃状态。为了捕捉到斑马鱼行为的不同方面,他们可能会改变水流——这会让某条鱼转向,或者朝同样的方向更艰难地游去。


和许多同行一样,罗布森和珍妮弗·李深谙大脑科学和人工智能技术间的关系。去年,这对情侣购买了一辆特斯拉(Tesla),他们带着专业的眼光欣然关注着这款汽车无人驾驶系统的发展进化。当它避让其他车辆的时候,会让他们想起斑马鱼用来实现目标的策略,例如,当它们发现捕食者的时候,会迅速从狩猎模式转换成快速游动模式。他们对这种行为的深刻认识有朝一日可能给特斯拉公司的神经网络带来帮助,因为该公司试图将它的无人驾驶技术从基本的物体识别扩展到类似人类的决策。


珍妮弗·李说:“这涉及到更多量级的数据。如果你想利用生物学,你实际上可以走捷径,不必重新发明创造就可以找到解决方案。”罗布森说,他不介意有朝一日可以帮助特斯拉解决这类问题。


在神经科学领域,公营和私营企业之间界限的易变性提出了这样的问题:谁将掌控人类和机器今后的融合。长期开展最雄心勃勃研究的大学现在面临着来自拥有更大型的计算机和数据集的科技公司的竞争。在一所典型的大学里,一位刚毕业的博士生每年大约可以赚到5万美元,而私营公司可以提供10万美元以上的薪水以及更广阔的升职空间。另一位斑胸草雀研究者克里斯·弗莱(Chris Fry)在离开托伊尼桑的实验室不到18年的时间里成为Twitter负责工程业务的高级副总裁,年收入是1030万美元。研究老鼠的麦肯齐·马蒂斯说:“现在有大量人才离开学术界。留在学术界是一种选择。”


2019年20个全球AI创新融合应用城市


人工智能各层级图示


除了丰厚的薪酬之外,许多神经科学家被吸引到私人领域的另一个原因是,这往往使他们有机会做一些更令人兴奋、甚至更神奇的研究工作—更别提再也不用写拨款申请了。然而,逃到硅谷可能也意味着和充满希望的研究方向一刀两断或者让以前的同事失去依靠。当加德纳离开实验室为Neuralink工作时,他的一名博士生转去了别的学校,结果却发现他的下一任著名导师也告假去搞自己的初创公司了。


珍妮弗·李和罗布森将从9月开始到德国蒂宾根的马克斯普朗克生物控制论研究所(Max Planck Institute for Biological Cybernetics)工作,这是一家政府赞助的研究机构。这对研究小鱼的情侣留在公共部门的原因是他们喜欢自由和灵活性,也就是罗布森所称的“游乐场环境”。的确,动物实验可能对无害又无助的生物做一些非自然的事情。但它们也可能激发出人性化的视角—这也许就是我们想让人工智能展现的东西。


四年前,在他们完成可追踪显微镜的研发之前,珍妮弗·李和罗布森利用一种黏性明胶让年幼的斑马鱼连续几个小时在一个地方游动,以测量它们的神经元是如何发光的。一天早晨,两人来到实验室,看到了让他们大吃一惊的场面:一条幼鱼18个小时之后还在原地游泳,远远超出了他们的预期。罗布森说:“这个小动物是一位冠军。”“完美,”珍妮弗·李补充说,“它的表现很完美。”由于这项实验的严谨性,研究人员无法把他们的英雄留下来繁育后代,但他们退而求其次:珍妮弗· 李和罗布森把它的妈妈安置在一个特殊的水族箱里作为宠物饲养。他们给其取名弗雷德(Fred),根据艾米·阿克(Amy Acker)在电视剧《夜行天使》(Angel)中扮演的角色命名。


罗布森和李说,人工智能和脑机接口的发展将迫使人类变得更加人性化。毕竟,如果我们的目标之一是将我们自己的道德观灌输给具有思维能力的机器,我们就必须比以往更努力地解答道德是什么的问题。比如说以下这些:谁应该得到增强思想的力量?无人驾驶汽车是否应该优先考虑乘客而不是行人的生命?机器应该有多聪明才能被认为是这个等式的一部分?珍妮弗·李说:“归根结底,这是个道德范畴的问题——你如何评估生命的价值?”她本科时读的是哲学专业。


罗布森说:“它迫使我们严格遵守道德底线。必须要坚守某些东西。”


撰文—Sarah McBride、Ashlee Vance 编辑—Ruby

(本文选自《商业周刊/中文版》第437期)

相关推荐 更多>