人工智能是計算機科學(xué)的一個分支，它企圖了解智能的實質(zhì)，并生產(chǎn)出一種新的能以人類智能相似的方式做出反應(yīng)的智能機器，該領(lǐng)域的研究包括機器人、語言識別、圖像識別、自然語言處理和專家系統(tǒng)等。人工智能從誕生以來，理論和技術(shù)日益成熟，應(yīng)用領(lǐng)域也不斷擴大，可以設(shè)想，未來人工智能帶來的科技產(chǎn)品，將會是人類智慧的“容器”。

DeepMind的遠(yuǎn)大計劃是借由解密人腦使用的演算法、架構(gòu)、功能以及表征，來解決目前開發(fā)人工智能技術(shù)遭遇的問題。

Google專長人工智能的姐妹公司DeepMind Technologies執(zhí)行長Demis Hassabis，透露該公司的遠(yuǎn)大計劃是借由解密人腦使用的演算法、架構(gòu)、功能以及表征(representation)，來解決目前開發(fā)人工智能技術(shù)遭遇的問題。

目前沒有人對人工智能(AI)神經(jīng)網(wǎng)路的基本原理提出質(zhì)疑，也就是透過突觸(synapse)連結(jié)的大腦神經(jīng)元有不同的連線“權(quán)重”(weights)，當(dāng)神經(jīng)元經(jīng)常被使用、其權(quán)重就會更強勁成長(即學(xué)習(xí))，反之如果很少用就會萎縮(于是會遺忘)。舉例來說，歐盟的Blue Brain專案就是試圖在超級電腦上鉅細(xì)靡遺模擬人類大腦運作，期望借此揭開例如帕金森氏癥、阿茲海默癥(失智癥)等疾病的幕后成因，以及打造AI系統(tǒng)。

Hassabis認(rèn)為，若我們想要看到AI晶片(總之不是活的有機體)，工程師就得搞懂人腦所使用的演算法、架構(gòu)、功能與表征。“從工程的角度來看，以上是最終解決方案;而為了達(dá)到我們的目標(biāo)，生物贊同性(biological plausibility)只是指導(dǎo)，并非嚴(yán)格的要求;”Hassabis在同儕審查學(xué)術(shù)期刊《Cell》與共同作者發(fā)表的“神經(jīng)科學(xué)啟發(fā)之人工智能”(Neuroscience-Inspired Artificial Intelligence)一文中寫道：“我們感興趣的是對人腦在系統(tǒng)神經(jīng)科學(xué)層面上的理解，也就是所利用的演算法、架構(gòu)、功能以及表征。”

Hassabis表示：“透過聚焦運算與演算層面，我們?nèi)〉脤Υ竽X功能內(nèi)部大致機制的可轉(zhuǎn)移見解，同時留下空間以容納在晶片內(nèi)打造智能機器時會出現(xiàn)的機會與挑戰(zhàn)。”舉例來說，在睡眠期間，大腦的海馬回(hippocampus)會重播并重新關(guān)聯(lián)每天曾經(jīng)發(fā)生過的、特別成功的學(xué)習(xí)經(jīng)驗，讓長期記憶體能取得學(xué)習(xí)教訓(xùn)，甚至只從單一實例。

簡單的機器學(xué)習(xí)演算法會用雜亂無章的不重要細(xì)節(jié)洗掉單一學(xué)習(xí)實例;而DeepMind則聲稱，能夠打造模仿實際人腦功能的機器學(xué)習(xí)演算法;如Hassabis與其他論文作者所言：“儲存在緩沖記憶體中的經(jīng)驗，不只能被用來逐步調(diào)整深度網(wǎng)路參數(shù)以符合最佳化策略，也能支援根據(jù)個人體驗產(chǎn)生的快速行為變化。”

因為學(xué)習(xí)演算法傾向于以新知識覆蓋現(xiàn)有知識，使得讓神經(jīng)元電腦學(xué)習(xí)多級(multistep)任務(wù)成為工程師們的棘手挑戰(zhàn);對此上述論文的作者指出，最近的研究透過協(xié)同神經(jīng)科學(xué)與工程的方法來解決這個難題。神經(jīng)科學(xué)家對人腦突觸不穩(wěn)定性(lability，也就是變化的變異率)的發(fā)現(xiàn)，為AI工程師提供了一種實現(xiàn)多級學(xué)習(xí)的新工具──他們在打造學(xué)習(xí)演算法時，設(shè)定了較早期任務(wù)的不穩(wěn)定性，以防止較新的任務(wù)將之覆寫。

“神經(jīng)科學(xué)的發(fā)現(xiàn)啟發(fā)了AI演算法的開發(fā)，透過設(shè)置一種具彈性的權(quán)重固化(consolidation)，克服了深度神經(jīng)網(wǎng)路持續(xù)學(xué)習(xí)的挑戰(zhàn);這種固化機制是透過減緩一組被定義為對先前任務(wù)很重要的網(wǎng)路權(quán)重子集中的學(xué)習(xí)來達(dá)成，因此能將那些參數(shù)固定在先前發(fā)現(xiàn)的解決方案。”論文作者表示：“這能允許在不增加網(wǎng)路流量的情況下進(jìn)行多個任務(wù)的學(xué)習(xí)，而擁有相關(guān)聯(lián)架構(gòu)的任務(wù)之間可有效分享權(quán)重。”

Hassabis與其他論文作者并指出：“要填補機器智能與人類智能之間的鴻溝，還有很多工作得做;在這方面，我們相信來自神經(jīng)科學(xué)的一些想法，將會越來越不可或缺。”他們舉例了工程師透過重現(xiàn)生物機制實現(xiàn)AI多級學(xué)習(xí)的成功，并呼吁神經(jīng)科學(xué)家與AI工程師并肩作戰(zhàn)，攜手解決或許可說是AI研究中最困難的挑戰(zhàn)──打造能進(jìn)行分層規(guī)劃的代理(agent)，要真正具備創(chuàng)造性，而且能為目前人類也無解的挑戰(zhàn)提供解決方案。

然而也不是所有人都同意，只要能理解人腦的演算法、架構(gòu)、功能與表征，就能揭開人類擁有智能的奧秘;有人認(rèn)為，人腦的“編碼”(code)跟所有宇宙中的生命智能都是相同的，就如同化學(xué)擁有通用的編碼，因此大腦的智能編碼會是類似化學(xué)與物理學(xué)，在人體中交織的通用原理。

Starmind International創(chuàng)辦人Pascal Kaufmann認(rèn)為，人腦的編碼應(yīng)該不像是演算法，因為人腦并不同于電腦

“我們需要透過對人類智能的真實理解，才能破解人腦的編碼，這不能只靠電腦軟件;”身為神經(jīng)科學(xué)家的瑞士AI軟件公司Starmind International創(chuàng)辦人Pascal Kaufmann表示：“就像物理學(xué)是宇宙中所有物理現(xiàn)象的編碼，人腦的編碼也會是根據(jù)自然界的通用原理。”他指出，在自然界有相同的原理一再出現(xiàn)，例如樹木的分枝與人體血管的靜脈/動脈就非常相似：“我們只需要問正確的問題。”