人脑VS人工智能,到底谁将战胜谁?
来源:中国IC网 发布时间:2021-05-25 分享至微信

但是,一门伟大的科学毕竟是不可阻挡的,在日本“第五代计算机”的刺激下,各国纷纷着手进行知识系统的研究与开发,终于,在80年代,出生于英国的“AI教父”JeffreySinton提出了反传算法,力证了神经网络的价值,间接开启了人工智能的“二次复兴”。

英国詹姆斯·莱特希尔爵士在1973年对美国的AI热进行调查后,在国会发表了著名的批评报告。报告中列举了详尽的证据,指出当时流行的逻辑基础符号规划,根本无法解决复杂的实际问题。该报道直接导致了历史上著名的“AI冬天”的来临。

但是,一门伟大的科学毕竟是不可阻挡的,在日本“第五代计算机”的刺激下,各国纷纷着手进行知识系统的研究与开发,终于,在80年代,出生于英国的“AI教父”JeffreySinton提出了反传算法,力证了神经网络的价值,间接开启了人工智能的“二次复兴”。

从那时起,科学家致力于将人工智能和人脑连接起来。对于他们之间奇妙的联系和对未来的展望,不能不令人感到兴奋。

人脑中有上百亿个神经元,BQ4010YMA-70它们组成了人类的操作系统,但是人脑研究的方法受到技术的限制,在大多数时间里,科学家们都很难准确、直观地观察人脑活动。由于理解问题的复杂性,简单的数学运算不仅仅是大脑的一种功能,人类的大脑也具有记忆、语言、思考、学习、感知、创造等功能。

人已经创造出了战胜地球上最强大的围棋选手AlphaGo,但是面对自己的大脑却依然如雾中雾。因此,似乎只有打通神经科学的最后一关,人工智能才能真正接近人脑。但隐藏在两大主题背后的奥秘,仍然让人感到扑朔迷离。

最近,国际知名神经科学家鲁白教授、商汤科技联合创始人兼CEO徐立、IDG资本合伙人牛奎光三方围绕“人脑VS智能”展开了深度对话。

人脑VS人工智能,到底谁将战胜谁?

牛奎光说:“人脑是一个大家非常关注的话题,它实际上代表了最高的智力,对于智力本身的这种理解,应该是我们一直在追求的一个方面。

诚然,尽管人工智能在许多方面已经超越了人类,但与人脑相比,它在可解释性、推理能力、逆向思维能力等方面仍有明显差距。目前,科学家们已经开始将更多的期望转向类脑智能,在他们看来,智能技术完全可以从脑科学和神经科学中获得经验,而人脑对认知神经机制的认识取得突破后,人工智能算法和进化也将带来新的活力。

"深度学习算法,本质上是在向人脑的生物学组织方式学习,虽然并非全部,但它实际上还是向生物学组织方式学习,其实从生物学的角度来看,或许也可以为IT做很多的支撑。"牛奎光也对人工智能与基础生物学的关系做了这样一个梳理。

科学家们正为此目标而努力,近年来出现的各种脑机接口技术就是最好的例子。

最近,来自斯坦福大学的研究人员开启了一扇新的大门,他们成功地开发了一个全新的皮质内脑机接口系统,该系统利用了大脑运动皮层的神经活动来解码“手写”字迹,并利用循环神经网络(RNN)解码方法实时将字迹翻译成文本,快速地将病人的手写想法转化为计算机屏幕上的文字。

鲁白正是这样解释了人-机结合的原则,“知觉、运动、记忆、情绪、认知”。在这些领域中,知觉和运动是相对成熟的。他们将大脑中的电磁波转化为运动信号,深度学习算法也对这些信号进行了处理。

现在,我们可以把大脑里的“想法”转化为屏幕上的文字,那么,在未来,更多奇幻的操作也就不足为奇了,人机结合的技术前景和商业潜力已经显露无遗,大规模应用的时代即将来临。

一个科研革命范式,将会在脑科学领域爆发

AI不仅仅能帮助我们更好地理解人脑机制,更大的惊喜在于它能带来一种科学研究范式的改变。

范式是什么?美国著名科学哲学家托马斯·库恩在《科学革命的结构》中提出了“范式”的概念,范式实质上就是一个理论体系和理论框架。Kuhn认为,科学并非通过新知识的线性积累而发展,而是经历了一次又一次的周期性变革。

从亚里士多德的逻辑,到培根的归纳和演绎,再到后来的实验验证学派,鲁白指出,这一实验验证后来成为我们科学界的“金标准”,即必须要有一个假设,通过假设来设计实验,以证明其是否正确。

这是过去的科学研究范式,他总结道,现在的科学研究范式正在发生巨大的变化,可能是由大量的数据所产生,不需要任何技术、经验或假设。想想看,你为什么喜欢吃红烧肉,为什么喜欢吃素食,与你的基因有关吗,与你的成长行为有关吗,这是一个完全不同的科学方法。

RuzaFold2有个例子,它拥有大量的数据积累,只需要知道蛋白质的序列就能对其结构进行分析,这在科学研究领域形成了一个显著的变化。对于这一点,牛奎光也感到很震惊,他说人工智能竟然能帮助实现蛋白质扩张,这是一件令人震惊的事,以前以为是单方向引导,后来发现可以双向辅助。

当数据爆炸时,计算机不仅能进行模拟仿真,还能进行分析总结并得出理论。然而,算力的稀缺问题尚未完全解决,AlphaFold2,Bert,BigGAN等人工智能算法对算力的需求更大,我们的算力仍然处于一种不充足、不经济的状态。

当前的计算机是以图灵(冯·诺依曼)的结构为基础的,也就是说,读取指令并执行计算这个过程,这就意味着,当前的人工智能只能通过算法来模拟,但是人类设计的算法根本无法满足我们的需要,徐立说。

从徐立的观点来看,人工智能算力与传统算力的不同之处在于,人工智能算力的致密度非常高,能够协同工作更大池状、超大规模的网络,因为显卡解决不了如此庞大的网络并能处理这么多事情。未来几年中,以人工智能为代表的算力的发展,必将成为推动这些技术演进的核心力量。

它和牛奎光的想法不谋而合,牛奎光讲了自己被商汤科技感动的那一年,其中之一就是商汤正在利用神经科学的机制来实现人工智能,这也使其技术水平领先于同行。

唯有让人工智能像神经网络那样有系统存在,算力才不会耗尽。半百年前,研究者们试图将神经科学和人工智能结合起来,但遗憾的是,这两个学科一直独立地并行发展。如今科学研究范式的改变,让这座断桥重新搭起,它们之间将有更多的可能相互碰撞。

允许少数先破,形成新的反共识。

科学研究范式的突破是多学科融合创新的结果,在如何进行科学研究方面,三人还交换了意见。

在这种情况下,牛奎光认为,创新基本上都是反共识的,而对于早期创业者来说,只有很少的人在创业之初意识到这个问题,所谓创业创新的过程,就是打破旧共识,形成新共识的过程,新共识越大,企业的价值就越大,当然也越难实现。

从这个意义上说,20世纪的科学史,就是“反共识”的科学史。

在20世纪以前,牛顿力学、麦克斯韦方程和经典统计力学都具有令人难以置信的威力。特别是牛顿力学,它几乎可以解释绝大多数物理现象,肉眼可见,它被认为是黄金定律。但是,随着普朗克、海森堡和爱因斯坦等科学巨擘的发现,物理学研究从此转向,并开始走向以量子理论为代表的微观世界。

反对意见的重要性是显而易见的,到底如何行动才能使之成为现实?徐立说,让我们的基础研究做无用的研究,做无用的研究,因为只有不断地做那些目前看来并不能产生很大影响的转化可能性,但那就是在探索我们认知的边界,才有可能实现真正意义上的反共识突破。

钱先生曾经说过,世界上所有有趣的事实都常常是无用的,而过去也有人说,无用的知识的深度,决定了有用知识的高度。对投资者来说,这同样是不言自明的,只有摒弃短视的功利心态,不计较一时得失,坚持长远主义,才能在不确定的世界中找到确定的答案。

IDG资本同样坚信这一理念,无论是人脑与人工智能的融合,还是科学范式不断变革,变革早已成为当今世界的主题,但事物的价值永远停留在时间的恒河中,所需做的不过是耐心和辨别而已。唯有坚定地相信科学的力量,并与之长期相处,才能在无数的波折中不改变初心,看到那些慢慢显现的价值,这是一个集体的命运,也是每个人的幸福。


[ 新闻来源:中国IC网,更多精彩资讯请下载icspec App。如对本稿件有异议,请联系微信客服specltkj]
存入云盘 收藏
举报
全部评论

暂无评论哦,快来评论一下吧!