5月9日消息 据国外媒体报道，谷歌，百度等大型科技公司正在加大对基于神经科学的新型人工智能技术的投入和研发。
有一种理论认为人类智能是源自一个单一的算法。
这个概念始于一组实验，实验结果显示专门处理耳朵所听声音的人脑部分也可以处理眼睛所见图像。虽然只有在人脑处于发育最早期阶段的时候才可能有这种情况，但这意味着人脑究其本质，是一台经过调适可以执行特定任务的通用机器。
大概七年前，斯坦福大学计算机科学教授吴恩达(Andrew Ng)偶然发现了这一理论，这改变了他的职业方向，并重新点燃了他对人工智能，即AI的热爱。吴恩达说，“它让我平生第一次觉得，我们或许有可能在我们的有生之年，对人工智能梦想的一小部分做出一定的研究进展”
吴恩达说，在人工智能研究的早期阶段，当时主流的观点是：人工智能是源自彼此协作的成千上万个简单智能体，也就是麻省理工学院的马尔文明斯基(Marvin Minsky)所谓的“心智社会”。当时工程师们相信要想实现人工智能，就必须要建造并且组合成千上万个独立的计算模块。一个智能体，或者说一种算法模拟语言。另一个智能体处理说话，诸如此类。这似乎是一件不可能完成的任务。
在他小的时候，吴恩达梦想过建造可以像人一样思考的机器，但当他上了大学真正接触到现代人工智能研究的时候，他放弃了。等他当上教授后，他会主动规劝他的学生不要去追求这个痴心妄想。可后来当他偶然听闻“单一算法”假说，儿时的梦想又回来了。令“单一算法”假说广为人知的是一位涉足神经科学研究，开发人工智能领域的企业家，杰夫霍金斯(Jeff Hawkins)。
这一转变改变的远不止是吴恩达的职业生涯。吴恩达如今在一个被称为“深度学习”的计算机科学研究新领域领先世界，这一领域旨在建造能以与大脑基本相似的方式处理数据的机器。而这一潮流已经远远超出了学术界，蔓延到了像谷歌和苹果这样的大牌公司。吴恩达正在与谷歌的其他研究人员合作，建造有史以来最雄心勃勃的人工智能系统之一，也就是所谓的“谷歌大脑”。
这一潮流旨在把计算机科学与神经科学相结合，而这在人工智能的历史上从来没有真正实现过。吴恩达说，“我发现在工程师和科学家们之间有一道隔阂，隔阂之深出人意料”。他说，工程师们希望能建造能管用的人工智能系统，可科学家们却还在竭力试图理解大脑的错综复杂。在很长一段时间里，神经科学界根本就缺乏必要的信息来帮助工程师们改进他们所希望建造的智能机器。
不仅如此，据加州大学伯克利分校红杉理论神经科学研究中心主任，计算神经科学家布鲁诺奥尔斯豪森(Bruno Olshausen)说，科学家们经常自以为大脑是他们的专属领域，所以跟其他领域的研究人员少有沟通协作。
这造成的结果就是工程师们建造的人工智能系统并不一定真正能模拟大脑的运行方式。他们一门心思捣鼓出的那些“伪智能”系统，最后往往更像是Roomba吸尘机器人，而不像动画片《杰森一家》里的机器女仆罗西。
不过在吴恩达和其他一些人的努力下，这一状况已经开始改变。国家心理卫生研究所主任托马斯因瑟尔博士(Dr. Thomas Insel)说，“现在很多人都有一种预感。那就是谁能够参透大脑计算奥秘的人，谁就将设计出下一代计算机。”
什么是“深度学习”?
深度学习是朝这个新的研究方向迈出的第一步。它的主要内容就是建造神经网络，而后者模拟人类大脑的行为。这些多层计算机网络和大脑很像，可以搜集数据并作出反应。它们可以逐渐积累对于物体外形或者声音的认知理解。
比如说为了模拟出人类的视觉，你可能要建造一层基本的人工神经元，它们可以侦测一些基本的事物，比如一个特定形状的边缘。然后下一层神经元可以把这些边缘组合起来辨别出更大的形状，然后这些形状可以被串联起来以理解某一物体。关键在于所有这些工作都是由软件自行处理的，这大大优于那些老的人工智能模型，后者需要工程师对视觉或者听觉数据进行修改，机器学习算法才能够加以消化利用这些数据。
吴恩达表示，有了深度学习，你只要给系统大量的数据，“它可以自行发现某些概念在现实世界中的具体含义”。去年，他的一个算法在网上扫描了数百万张图片后，教会了自己识别猫。这个算法并不知道“猫”这个词，吴恩达要给它提供这个定义，但随着时间的推移，它学会了全靠它自己，识别出我们称之为“猫”的毛茸茸的动物。
这一方法的灵感来自于科学家们对于人类学习方式的认识。在婴儿时期，人会观察周围的环境，并逐渐理解我们遇见的物体的结构，但在父母告诉我们那是什么物体以前，我们叫不出它的名字。
是的，吴恩达的深度学习算法目前还没有人脑那样准确，也没有人脑那样全能。但他相信这一天迟早会到来。
吴恩达只是这股大潮中的弄潮儿之一。2011年，他在谷歌公司启动了深度学习项目。在最近的几个月里，这个搜索巨头大大提升了在这方面的开发力度，收购了多伦多大学教授杰弗里辛顿(Geoffrey Hinton)创建的人工智能机构(辛顿教授被广泛公认为“神经网络领域的教父”)。中国搜索巨头百度开办了它自己的深度学习专业研究实验室，并承诺会在这一领域投入大量资源。据吴恩达说，像微软和高通这样的大型科技公司，都致力于聘请更多在“基于神经科学的算法”方面具备专业知识的计算机科学家。
与此同时，日本的工程师们正在建造控制机器人的人工神经网络。神经科学家亨利马克曼与来自欧盟和以色列的科学家们合作，希望能利用数千项真实实验的数据，在一台超级计算机中模拟出人脑。
困难在于我们至今仍没有完全理解大脑的运行原理，但科学家们正在往这个方向努力。中国人正在着手研究他们所谓的“脑网络组”，并将其描述为一个新的大脑图谱。而在美国，“大神经科学时代”的大幕正借助于一些雄心勃勃的跨学科项目徐徐拉开，其中就包括奥巴马总统最近宣布的(也是备受批评的)“使用先进革新型神经技术的人脑研究计划”(Brain Research Through Advancing Innovative Neurotechnologies Initiative)，简称BRAIN。
BRAIN的规划委员会在上周六举行了他们的首次会议，并预定在本周召开更多会议。它的目标之一是开发可以绘制出大脑复杂回路的新式技术。有迹象表明这个项目也会集中研究人工智能。为这一项目拨付的联邦科研经费中有五千万美元来自美国国防部高级研究计划局(Darpa)，超过了美国国家卫生研究院提供的经费，而该国防部研究机构希望这一项目会“催生新的信息处理架构或者新的计算方法”。
如果我们能搞清楚成千上万的神经元是如何彼此相连的，以及“信息是如何在神经网络中储存和处理的”，像吴恩达和布鲁诺奥尔斯豪森这样的工程师就可以更好地构思出他们的人造大脑应该是什么样。这些数据最终可能会丰富并改进深度学习算法，而有很多技术以这一算法为基础，比如计算机视觉，语言分析以及苹果和谷歌等公司出品的智能手机上提供的语音识别工具。
加州大学伯克利分校计算神经科学家布鲁诺奥尔斯豪森表示，“我们要从这个方面入手了解生物机能的计算奥秘。我想关键在于生物机能把这些奥秘藏得很好，我们只是没有正确的工具来把握其复杂性”
世界需要什么
随着便携式设备的兴起，破解神经系统奥秘的重要性前所未有。随着新设备变得越来越小，我们需要找到新方法来提升它们的运算速度和精度。随着制造电子设备的基础元件晶体管尺寸不断缩小，让它们更精确更高效的难度也就越来越大。比如说，如果你加快它们的运算速度，那就意味着它需要更多电能，而更多电能会让系统更“嘈杂”，也就是说更不精确。
奥尔斯豪森认为，如今工程师们的做法是绕过这些问题，他们在速度，尺寸和能耗之间拆东墙补西墙，让他们的系统实现功能。但人工智能可能会提供更好的解决方案。奥尔斯豪森表示，“我认为不用再逃避这些问题，生物机能或许可以告诉我们如何应对它们… 生物机能使用的开关机制也是天生嘈杂的，但生物机能找到了一个好办法来适应和忍受这些干扰噪声并加以利用。如果我们可以弄清生物机能应对嘈杂计算元件的自然方法，就会开创一套截然不同的计算模型”
但科学家们的目标并不只是小型化。他们正试图制造出拥有一些前所未有能力的计算机。不管算法有多么复杂，如今的计算机都没法替你去商店购物，或者挑选你可能喜欢的一个包一条裙子。那需要一种更加先进的图像智能，以及一种储存和召回相关信息的能力，这非常类似于人类的注意和记忆机能。如果能做到这一点，那将会开启无限可能。
奥尔斯豪森预计，“所有人都意识到如果你可以解决这些问题，就会释放出非常巨大的商业价值潜力”
而正是这一商业前景使得像谷歌，IBM，微软，苹果，百度以及其他的一些科技巨头们，为了开发出最好的机器学习技术，不惜展开一场军备竞赛。该领域专家，纽约大学的延恩勒昆(Yann LeCun)预计在未来的两年中，我们会看到深度学习新兴企业大量涌现，其中很多会被大型机构兼并。
但即使是最好的工程师也不是大脑专家，所以让更多的神经科学知识易于被掌握很重要。百度公司的余凯表示，“我们需要与神经科学家们更紧密地合作”，他正在考虑聘请一位神经科学家。他说，“我们已经在这么做了，但我们还要在这方面做得更多。”
吴恩达的梦想正在逐渐变为现实。他说，“它给了我这个梦想或许能够实现的希望，不，不只是希望。我们目前显然还没有找到正确的算法。这需要几十年的时间，不会是一个简单的算法，但我想希望就在眼前。”(卢雄飞)
“它让我平生第一次觉得，我们或许有可能在我们的有生之年，对人工智能梦想的一小部分做出一定的研究进展”— 吴恩达
吴恩达表示，有了“深度学习”，你只要给系统大量的数据，“它可以自行发现某些概念在现实世界中的具体含义”。
生物机能把这些奥秘藏得很好，我们只是没有正确的工具来把握其复杂性— 布鲁诺奥尔斯豪森
如果我们可以弄清生物机能应对嘈杂计算元件的自然方法，就会开创一套截然不同的计算模型 — 布鲁诺奥尔斯豪森
