基於微小生物大腦的深度學習造就更高智能，擁有了兩大優勢

2020-10-16 科學大觀園雜誌


人工智慧已經進入人類生活的方方面面，小到搜尋引擎，大到自動駕駛汽車，都能發現它的蹤跡。

《自然·機器智能》雜誌當地時間10月13日報導，來自奧地利維也納技術大學（TUW）、奧地利科技學院（ISTA）和美國麻省理工學院（MIT）的研究人員受線蟲等微小動物大腦啟發，開發了一種新型人工智慧系統。這種新型系統只需要少量人工神經元就能控制車輛。

與之前的深度學習模型相比，該系統具有明顯的優勢：能更好地應對嘈雜輸入，而且其操作模式可以詳細解讀。

與活體大腦相似，人工神經網絡也是由許多獨立的細胞組成的。當一個細胞處於活躍狀態時，會向其他細胞發送信號，下一個細胞會將接收到的所有信號進行綜合評估，以決定自身是否也需要被激活。

這種細胞間的活動傳遞模式決定了該系統的行為模式——參數在自動學習過程中可以不斷調整，直至神經網絡能夠解決特定問題。

「多年來，我們一直嘗試從自然中汲取改善深度學習的知識，」TUW網絡物理系統（CPS）研究小組負責人Radu Grosu教授說，「例如，雖然線蟲的神經元數量非常少，但其神經系統在處理信息時卻非常高效、和諧。」受此啟發，研究人員開發了涉及神經元和突觸的新數學模型。

TUW和CSAIL博士後研究員Ramin Hasani博士解釋道：「單個細胞內的信號處理所遵循的數學原理與之前的深度學習模型是不同的。我們設計的網絡高度稀疏，這意味著並非每個細胞都會與其他細胞建立連接，使得網絡變得更簡單。」

隨後，研究人員選擇了一項重要任務測試他們的新模型：自動駕駛汽車在車道上的行駛。神經網絡接收道路的攝像機圖像作為輸入，並自動決定汽車的行駛方向。

「如今，為了學習自動駕駛等複雜任務，深度學習模型通常會包含數百萬個參數。」ISTA博士生Mathias Lechner說，「我們設計的網絡規模縮小了兩個數量級，它只使用了75000個可訓練參數。」

新系統由兩部分組成：卷積神經網絡和「控制系統」（NCP）。卷積神經網絡處理攝像頭輸入，提取其結構特徵，並判斷哪些相機圖像是重要的，然後將經過篩選的信號傳遞給網絡的關鍵部分——NCP。NCP僅由19個神經元組成，能夠將感知模塊的數據轉換為控制指令，最終實施車輛控制。

這兩個子系統堆疊在一起，同時接受訓練，從而有效縮短了訓練時長。

Lechner補充道：「為了測試NCP的穩健性，我們對輸入圖像進行了幹擾，並評估了系統的『噪音』處理能力。對於其他深度神經網絡來說，這一問題是無法攻克的難題。但我們設計的NCP對輸入偽信號表現出了很強的抵抗力。這一屬性是新神經模型和架構的直接結果。」

原創編譯：雷鑫宇 審稿：西莫 責編：陳之涵

期刊來源：《自然·機器智能》

期刊編號：2522-5839

原文連結：https://techxplore.com/news/2020-10-deep-neurons-intelligence.html

版權聲明：本文為原創編譯，中文內容僅供參考，一切內容以英文原版為準。轉載請註明來源。

相關焦點

  • 新深度學習模型——少量人工神經元造就更高智能
    《自然•機器智能》雜誌當地時間10月13日報導，來自奧地利維也納技術大學（TUW）、奧地利科技學院（ISTA）和美國麻省理工學院（MIT）的研究人員受線蟲等微小動物大腦啟發，開發了一種新型人工智慧系統。
  • 深度學習大神Yoshua Bengio經典前瞻演講,幫你打通深度學習的任督...
    Yoshua Bengio連同Geoff Hinton老先生以及 Yann LeCun教授一起造就了2006年始的深度學習復興。他的研究工作主要聚焦在高級機器學習方面，致力於用其解決人工智慧問題。目前他是僅存的幾個仍然全身心投入在學術界的深度學習教授之一（蒙特婁大學），本文是他在2009年的經典前瞻演講——「人工智慧學習深度架構」有關內容的第一部分。
  • 化學所發展基於深度學習的蛋白質單分子分析新方法
    化學所發展基於深度學習的蛋白質單分子分析新方法 2019-05-24 化學研究所 【字體：　　最近，他們針對單分子光漂白計數分析中檢測信號弱、易被噪音掩蓋和光閃爍幹擾、數據量大等挑戰性問題，巧妙地利用人工智慧深度學習技術，提出了一個機器學習的深度神經網絡架構——CLDNN，對單分子光漂白事件進行準確、高效計數。
  • 日報| 英偉達發布兩款基於Pascal的深度學習晶片
    英偉達發布兩款基於Pascal的深度學習晶片9 月 13 日，NVIDIA（英偉達）在北京國際飯店會議中心召開 GTC China 2016 大會。在會上，NVIDIA 發布了 Tesla P4 和 Tesla P40 兩款 Pascal 架構 GPU。本次集成了 72 億個電晶體的 Tesla P4（2560 個 CUDA 核心）和 120 億個電晶體的 Tesla P40（3840 個 CUDA 核心）是用來讓用戶識別和查詢語音、圖像或文本的。
  • 深度學習引爆下一次科技革命
    回到「海量數據到優秀產品」這一環節，這些數據處理效率的指數級增長其實是來源於我們對網際網路產品的每一次微小的使用以及相應的每次數據的貢獻，而這些匯集起來的數據再藉助深度學習算法就會為會我們輸出更加準確的結果，提供更好的服務，其產生的效果也會像滾雪球一樣越來越大。這就是吳恩達在今天的講座中提到的深度學習所促成的完整流程，也是他之前提到的人工智慧正循環。
  • 智能「換裝」不是夢!浙大團隊研製基於深度學習的「隱身衣」
    課題組在國際上率先實現基於深度學習的新一代智能隱身器件，在不依賴任何人為操控的情況下，快速地動態適應變化的背景環境，從而與背景電磁環境特徵融為一體，實現自適應隱身話雖簡單，但從無到有搭建一整套智能隱身系統又談何容易。當前，深度學習已經開始滲入電磁材料領域，但是，主要偏重於理論上設計優化人工電磁材料，例如納米光子和手性材料等。
  • 深度學習技術和卷積神經網絡(CNN)讓機器視覺識別更智能
    隨著人工智慧技術的進步，深度學習技術（DL）和卷積神經網絡技術(CNN)領域的人工智慧（AI）被引入到機器視覺圖像處理系統的應用中來,從而幫助機器學習和機器檢測缺陷更加高效，使機器視覺識別的過程更加精確。也讓使用這些技術的企業可以從智能化中獲得更高的生產經營效益。
  • 基於深度學習的人臉識別技術全解
    作為最早投入深度學習技術研發的華人團隊，在多年布局的關鍵技術基礎之上，香港中文大學教授湯曉鷗率領的團隊迅速取得技術突破。2012 年國際計算視覺與模式識別會議（CVPR）上僅有的兩篇深度學習文章均出自湯曉鷗實驗室，而在 2013 年國際計算機視覺大會（ICCV）上全球學者共發表的 8 篇深度學習領域的文章中，有 6 篇出自湯曉鷗實驗室。
  • ...大腦找答案|人工智慧|深度學習|腦科學|神經科學|計算機_網易科技
    計算機與大腦的區別以及大腦對開發更加新型智能計算機的啟示大家知道，目前的計算機體系是基於馮·諾伊曼架構，這已經非常成功的引領計算機科學技術的發展幾十年。在這個計算機架構的基礎上我們的深度學習在近年取得了飛速發展，在各個領域取得非常成功的應用。
  • 基於數據驅動的深度學習5G網絡解析
    目前，該方向的研究正在向MAC（medium access control）層和物理層推進，特別是在物理層已經出現無線傳輸與深度學習等結合的趨勢，然而各項研究目前還處於初步探索階段。儘管無線大數據為人工智慧應用於物理層提供可能，智能通信系統的發展仍處於探索階段，機遇與挑戰並存。
  • 李開復:人類的演化史就是一部生物智能的訓練史
    以下為李開復的現場論述：觀點一：深度學習無法戰爭生物大腦深度學習基於多層神經網絡的機器學習模型。表面看，深度學習和生物大腦裡的神經元和突觸的運作有所相似。但其實，深度學習只是對單個生物神經元的極其粗糙的近似模擬（仿生學含義）。
  • 深度剖析人工智慧晶片的發展現狀及趨勢
    但是通常意義上的 AI 晶片指的是針對人工智慧算法做了特殊加速設計的晶片， 現階段， 這些人工智慧算法一般以深度學習算法為主，也可以包括其它機器學習算法。 　　深度學習算法，通常是基於接收到的連續數值， 通過學習處理， 並輸出連續數值的過程，實質上並不能完全模仿生物大腦的運作機制。
  • 人工智慧、深度學習與人類智能之間的區別和聯繫
    人工智慧的浪潮正在席捲全球，人工智慧（Artificial Intelligence）、深度學習（Deep Learning）、人類智能（Human Intelligence）這些高頻詞彙經常出現。那麼，什麼是人工智慧？什麼是深度學習？什麼又是人類智能呢？
  • 2020年深度學習發展大盤點及對2021年深度學習的未來展望|極客雲算
    越來越多的人因為這一點開始學習PyTorch，不過其在工業界的部署問題也不容迴避。顯然，當你充分了解到這些利弊時，就應該明白這些深度學習框架都是工具，學的越多，可選擇的餘地越大。 當前，人工智慧技術發展和應用落地速度較快，但對於大多數公司而言人工智慧技術發展所需要的人才、資金、時間成本仍然是瓶頸所在。深度學習框架是人工智慧基礎設施中的基礎工具，是AI產業商業化的重要根基。如果沒有框架，傳統的研發異常艱苦，需要複雜的算法工程、漫長的研發周期、巨大的人力成本。
  • 基於深度神經網絡技術的自學習AI智能設備
    隨著網絡犯罪技術繼續加劇網絡威脅，基於AI，機器學習和開源社區的複雜智能攻擊正在增加。隨著數百萬個新應用程式的出現，雲遷移的增加以及連接設備的增加，攻擊的範圍也擴大了，這使得組織難以對可能產生大量潛在入口點的日益增長的威脅做出適當的響應。
  • 深度學習筆記:深度學習——AlphaGo阿爾法狗
    它主要的原理就是深度學習。早在1997年，IBM的西洋棋系統深藍，擊敗了世界冠軍卡斯帕羅夫時，採用的算法是通過暴力搜索的方式嘗試更多的下棋方法從而戰勝人類，其所依賴的更多是計算機的計算資源優勢。卡斯帕羅夫對戰深藍在圍棋上，深藍的方式完全不適用。
  • 愛因斯坦大腦與眾不同:神經分布密度更高(圖)
    很多研究人員認為愛因斯坦的大腦一定是與眾不同的，因此他才能想出相對論和其它構成現代物理學基礎的超前理論。近期對14張新發現的愛因斯坦大腦切片進行的研究顯示，這位大科學家的大腦的確在很多方面是與眾不同的。這些大腦切片是當初在愛因斯坦去世之後被保留下來用作研究之用的。不過，科學家們目前仍然不清楚愛因斯坦大腦中所顯示的那些額外的褶皺和溝回究竟是如何轉化為愛因斯坦驚人的思維能力的。
  • 四大核心優勢玩轉智能視頻生產 百度大腦圖文轉視頻帶來無限可能
    該產品旨在為內容生產全面賦能,運用人工智慧等技術為媒體機構和內容創作者提供通用型創作工具,提升內容生產和分發效率,助力媒體深度融合。當前,在人工智慧、5G、雲計算、大數據等技術驅動帶來更豐富的多媒體內容、傳播視頻化成為媒體內容進化的行業大趨勢下,媒體行業也在加快智能升級的步伐。
  • Nat Rev Neurosci:深度學習能解答神經科學中的什麼問題?
    頂刊導讀目錄 1，基於深部腦網絡和全球14468個人的腦年齡和壽命疾病的核磁共振特徵 2，發表易受攻擊言論的機器人可積極塑造了人類-機器人團隊中的人類溝通方式3，利用機器學習繪製複雜人類特徵和多基因結構的腦神經網絡連接圖譜4，大腦中的分布式強化學習5，深度學習能解答神經科學中的什麼問題？
  • 深度強化學習:阿里巴巴「AI 智能體」認知
    阿里巴巴認知計算實驗室資深總監袁泉在接受新智元專訪時表示，當下，人工智慧的每一個進步，幾乎都受到了神經科學的啟發，尤其是新一輪通用智能發展的中堅力量——基於神經網絡的深度強化學習。本文轉自「新智元」，作者：胡祥傑；經億歐編輯，供業內人士閱讀。