[[201067]]

我一直覺得 David Marr 有點(diǎn)像是「神經(jīng)科學(xué)里的圖靈」。

1976年，Marr 提出了一個(gè)非常有名的概念：

了解任何復(fù)雜的生物系統(tǒng)都需要經(jīng)過三層分析：

• the computational level: 這個(gè)系統(tǒng)的目標(biāo)是什么?(即，the goal of the system)
• the algorithmic level: 實(shí)現(xiàn)這個(gè)目標(biāo)所需的過程和計(jì)算 (即，the process and computations that realise this goal)
• the implementation level: 在生物體內(nèi)這套「算法」是如何實(shí)現(xiàn)的 (即，the precise mechanism by which the algorithm(s) are physically implemented in a biological substrate)

今天——特別是感覺人人都懂計(jì)算機(jī)的知乎上——這個(gè)概念極其容易理解。

但這并不是說「大腦就像是機(jī)器一樣。」

機(jī)器和大腦有根本性的區(qū)別;機(jī)器的使命是解決一個(gè)問題，做到最好、最快、最省;大腦的使命是，在未出生之前，就用一個(gè)答案去面對(duì)無數(shù)未知的問題。前者關(guān)鍵在「答案」，后者關(guān)鍵在「問題」。

雖然「大腦的感知功能 像是一個(gè) 貝葉斯機(jī)器 (Bayesian machine)」這個(gè)概念因?yàn)?Karl Friston 的 Predictive Coding (預(yù)測(cè)編碼)在大腦感知研究中稱霸一方(我曾在《大腦無時(shí)無刻不在「預(yù)測(cè)」世界 》中提到過業(yè)內(nèi) @Friston 過度的現(xiàn)象)。但 這句話并不是說「大腦是機(jī)器」，而是指「在算法層(the algorithmic level)上，大腦的感知功能可能類似貝葉斯統(tǒng)計(jì)」。

雖然方向不同，但計(jì)算機(jī)學(xué)家和神經(jīng)科學(xué)家走在同一條路上。

從某種程度來看，我們都在研究一個(gè)問題就是智能的感知和認(rèn)知是如何工作的。只是，again，一個(gè)是有問題、需要找到答案;而另一個(gè)是已經(jīng)有了「答案」，需要問正確的問題。

就現(xiàn)在看來，在找到那個(gè)問題和那個(gè)答案之前，我們都還有很長(zhǎng)的路要走。如果超AI是AI的奇點(diǎn)，那它絕對(duì)不會(huì)在神經(jīng)科學(xué)奇點(diǎn)帶來之前，而遺憾的是，我們連神經(jīng)科學(xué)的奇點(diǎn)到底是什么都不明確。

神經(jīng)科學(xué)的發(fā)展離不開AI，AI的進(jìn)步也離不開神經(jīng)科學(xué)。

神經(jīng)科學(xué)(或者是說 「生物智能」或「大腦智能」)對(duì)于發(fā)展人工智能(以下簡(jiǎn)寫為 AI)的好處有兩大方面：

第一個(gè)方面，在「如何智能」上，神經(jīng)科學(xué)已經(jīng)有很多話可以說。換言之，神經(jīng)科學(xué)可以為人工智能帶來啟示，帶來全新的算法和結(jié)構(gòu)，這些算法或結(jié)構(gòu)可能 獨(dú)立于傳統(tǒng)的、當(dāng)下主流的、以數(shù)學(xué)邏輯為基礎(chǔ)的方法，也有可能與之相輔相成。譬如說，人類大腦是如何學(xué)習(xí)理解新語言的?當(dāng)我們明白這個(gè)認(rèn)知功能之后，就可以將算法移植到 AI 上，或是這套算法至少是解決AI語言理解的一個(gè)優(yōu)秀的備選。

這個(gè)方面非常好理解，往早期一點(diǎn)講，深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)就是兩個(gè)很好的例子。但神經(jīng)科學(xué)對(duì)AI的影響并沒有、也不會(huì)、僅限于AI早期的發(fā)展。當(dāng)下，神經(jīng)科學(xué)在注意力、情節(jié)記憶、工作記憶和連續(xù)學(xué)習(xí)上的研究也對(duì)當(dāng)下的AI研究有實(shí)際影響。

這部分詳情可以參考 Demis Hassabis (Alpha狗的親爹)在7月19日《神經(jīng)元》上發(fā)的綜述《由神經(jīng)科學(xué)啟發(fā)的人工智能(Neuroscience-Inspired Artificial Intelligence)》;如果大家感興趣，我可以慢慢把這篇綜述的內(nèi)容整理到專欄上來，但其實(shí)這篇綜述 雖其內(nèi)容極為充實(shí)，但調(diào)理清晰語言易懂，若非語言障礙，并不需要旁人整理，直接閱讀也不應(yīng)該有任何問題，裂墻推薦。

上個(gè)月有不少技術(shù)類媒體報(bào)道這篇綜述，但總覺得口吻怪米怪眼的。我還發(fā)現(xiàn)，新浪新聞將相關(guān)文章(題目：《只有了解大腦 才能開發(fā)更強(qiáng)AI》)放在「體育–>棋牌」這個(gè)類別之下。額，alpha狗是下圍棋的但并不是AI只做棋牌生意啊。

人工智能被炒到神乎其神，Hassabis這個(gè)神人脫不開關(guān)系。大多數(shù)人想到Hassabis，第一個(gè)反應(yīng)估計(jì)是他是個(gè)人工智能專家、計(jì)算機(jī)學(xué)家，但別忘了，他博士是認(rèn)知神經(jīng)科學(xué)，主要研究記憶和想象，還把論文發(fā)在Science，是當(dāng)年的全球最有影響力的10大研究之一。

最近谷歌在倫敦招認(rèn)知神經(jīng)科學(xué)博士，工資高的發(fā)指。劍橋和UCL作為Hassabis的母校，搞人工智能和認(rèn)知神經(jīng)科學(xué)的都被他挖的千瘡百孔了。(快讓我也成為其中一個(gè)瘡一個(gè)孔吧!)

咳咳。

第二個(gè)方面，在「如何智能」這個(gè)問題上，大腦是一個(gè)已知的高分答案。對(duì)于已有的AI技術(shù)，如果我們能在大腦中找到類似的結(jié)構(gòu)、算法，那么便能夠認(rèn)可這個(gè)技術(shù)在修建「通用人工智能系統(tǒng)」中的一席之位。

這么講像是說，神經(jīng)科學(xué)可以給某些杰出的人工智能算法或結(jié)構(gòu)頒發(fā)「大腦認(rèn)可」的認(rèn)證書一般。那這個(gè)認(rèn)證有多大實(shí)際價(jià)值呢?一定有什么能夠超越我們自己擁有的智能;大腦一定不會(huì)是智能的唯一、最佳答案。

但是，「通用人工智能」(簡(jiǎn)稱「強(qiáng)AI」，或我們可以親切地稱它為阿強(qiáng))應(yīng)該需要首先達(dá)到人類大腦的水平。(如果你不認(rèn)識(shí)阿強(qiáng)，可以參考一下今天我發(fā)的另一篇《致快要被AI狂潮淹沒、卻不知道自己在說什么的我：什么是「技術(shù)奇點(diǎn)」?》)

在離完成強(qiáng)AI還有一定距離的當(dāng)下，學(xué)界需要一個(gè)長(zhǎng)期研究計(jì)劃，如何篩選研究方向則是一個(gè)復(fù)雜的問題。現(xiàn)在有很多算法和結(jié)構(gòu)，它們都有可能是強(qiáng)AI的prototype的零件。如果一個(gè)算法，雖然它在現(xiàn)階段并不是最優(yōu)的，但如果我們發(fā)現(xiàn)在大腦這個(gè)寸土寸金的地方它都有核心位置，那么說明它至少本質(zhì)上有適合強(qiáng)AI的地方(這么說有點(diǎn)怪怪的)，優(yōu)先優(yōu)化它、深入了解它，會(huì)是個(gè)減少繞彎路的策略。

當(dāng)然，強(qiáng)AI并不一定需要擁有和生物體一樣的智能系統(tǒng)。條條大路通羅馬。但，大腦是一個(gè)很好的向?qū)АＵf回片頭提到的，Marr 的「了解系統(tǒng)運(yùn)作的三步驟」。對(duì)于人工智能來說，需要的是前兩層，即，這個(gè)(大腦認(rèn)知功能)的目標(biāo)是什么?算法是什么?(在研究大多數(shù)認(rèn)知功能的領(lǐng)域中，我們還正在掙扎進(jìn)入第二層)

再說回關(guān)于大腦和機(jī)器之間的聯(lián)系。雖然我堅(jiān)信大腦與機(jī)器不同，但從一開始學(xué)習(xí)神經(jīng)科學(xué)，我就越來越覺得難以回答這個(gè)問題：

生命是什么?生命與非生命之間，是什么?

智能是什么?會(huì)開車就是智能么?

如何智能?大腦智能和人工智能最后只有高低和材質(zhì)的區(qū)別嗎?

「倒數(shù)第三句話是雙關(guān)。」