正文共：1707字-5图
预计阅读时间：5分钟
一直以来，认知科学、神经科学和计算科学分别从不同的路径探索智能的本质：认知科学通过构建认知框架，预测复杂行为；神经科学通过探索神经机制，解释大脑功能；而计算科学通过模拟神经活动，实现人工智能。近年来，深度神经网络的成功，促使三门学科进一步交叉融合，将类脑的深度神经网络模型和认知神经科学实验相结合，为人工神经网络的发展提供新的思路。
智源“人工智能的认知神经基础”重大研究方向基于此研究目标，以及促进学科间交叉互启的愿景，编撰该白皮书，以期为相关领域的研究者搭建沟通的平台和桥梁，共同探索心智的奥秘，促进人工智能的可持续发展。
近年来，通过模拟人脑神经网络的信息传递机制，深度学习技术引发了人工智能的第三次浪潮，其终极目标是研究使计算机来模拟人的思维过程和智能行为（如学习、推理、思考、规划等），制造类似于人脑智能的机器。但是与生物大脑所代表的生物智能相比，当前的深度学习还存在解释能力不足、鲁棒性差、泛化能力弱等制约人工智能技术深度应用的问题。为了实现这个目标，理解构成智能必要的元素，必须研究人和动物智能的载体、生物大脑的本身结构以及其运行方式。
伴随着解析大脑和神经系统的连接方式及工作原理的先进技术的发展，如高时空分辨率的生物荧光成像和特异性荧光探针技术，人们对于不同层次上的神经活动发生机制有了进一步深度解读。例如，突触水平上，马普佛罗里达神经研究所的Fitzpatrick研究组通过光电联合实验，研究雪貂的初级视皮层神经元发现，不同刺激激活的全部突触（包括强、弱突触）共同“投票”所决定其神经元选择特异性，挑战了赫布理论所认为的强突触调控神经元选择特异性的决定性作用。神经元水平上，Allen Brain Observatory的Koch和Reid研究组通过分析大规模标准化神经活动数据，揭示小鼠视皮层中存在大量低特异性神经元，表明之前的视觉神经元-特定视野空间-特定特征的视觉信息模型的局限性。在视觉系统上， Koch和Olsen研究组，通过构建新型的神经电信号记录系统和神经像素电极阵列（Neuropixels），成功观察到了小鼠视觉系统存在如灵长类一样的功能层级活动。
与此同时，新技术的发展正在产生海量的数据，使得大脑与人工智能算法的交互变得越来越重要。HHMI的Stringer等人对小鼠视觉系统进行了大规模的神经记录，发现其群编码在高效和保持泛化性之间进行了权衡，而利用了该原理的人工神经网络具有更好的鲁棒性。另外，MIT的Dapello等人发现在传统神经网络前面加入一个模拟大脑初级视觉皮层的模型也可以提高其鲁棒性。借鉴小动物的神经环路设计也许可以帮助我们设计更高效的人工智能系统。例如，MIT的Lechner等人借鉴了秀丽线虫的神经系统中神经元的动态特性、连接的稀疏性和反馈结构，在跟踪道路的自动驾驶任务中比传统神经网络具有更好的鲁棒性和可解释性。
在当下人工智能的浪潮中，人类社会似乎从来没有像如今这样对“研究心灵本质”这个古老的问题产生过如此浓厚的兴趣，Stephen Hawking曾经说过，“Intelligence is the ability to adapt to change”。长久以来，神经科学、认知科学与计算学科分别从不同的路径来探索智能本质的，神经科学聚焦于大脑如何进行信息加工，力图阐明复杂行为之下的机制和物理实现形式；认知科学研究研究人类的心智和认知过程，通过构建认知框架，预测复杂行为，揭示智能的产生机制；而计算科学通过模拟神经活动，实现人工智能。科学家们在多学科交叉领域相互沟通交流借鉴，可以从研究技术、揭示机制以及计算原理等方面来相互启发，促进不同学科的螺旋式相生相长。学科的交叉碰撞出炫丽的火花，帮助研究人员更好地理解大脑工作的硬件、算法和实现，了解神经疾病背后机理并找到治疗方案，真正实现终极目标：“Know yourself”。
如果您想下载本文的报告，可以在水木人工智能学堂（公众号：smaiedu）回复关键词“ai167”获取。
来源 | 智源社区
版权声明：本号内容部分来自互联网，转载请注明原文链接和作者，如有侵权或出处有误请和我们联系。
