來(lái)自維也納維也納（Vienna），奧地利奧地利技術(shù)學(xué)院（IST Austria）和美國(guó)麻省理工學(xué)院（MIT）的國(guó)際研究團(tuán)隊(duì)已經(jīng)開(kāi)發(fā)了一種新的人工智能系統(tǒng)，該系統(tǒng)基于線(xiàn)蟲(chóng)等小動(dòng)物的大腦。這個(gè)新穎的AI系統(tǒng)可以控制帶有幾個(gè)人工神經(jīng)元的車(chē)輛。該團(tuán)隊(duì)表示，該系統(tǒng)比以前的深度學(xué)習(xí)模型具有決定性的優(yōu)勢(shì)：它可以更好地應(yīng)對(duì)嘈雜的輸入，并且由于其簡(jiǎn)單性，可以詳細(xì)說(shuō)明其操作模式。它不必被視為復(fù)雜的“黑匣子”，但人類(lèi)可以理解。這種新的深度學(xué)習(xí)模型現(xiàn)已發(fā)表在《自然機(jī)器智能》雜志上。

類(lèi)似于活腦，人工神經(jīng)網(wǎng)絡(luò)由許多單個(gè)細(xì)胞組成。當(dāng)一個(gè)單元處于活動(dòng)狀態(tài)時(shí)，它將向其他單元發(fā)送信號(hào)。下一個(gè)小區(qū)接收到的所有信號(hào)都會(huì)組合起來(lái)，以決定該小區(qū)是否也將變?yōu)榛顒?dòng)狀態(tài)。一個(gè)細(xì)胞影響下一個(gè)細(xì)胞活動(dòng)的方式?jīng)Q定了系統(tǒng)的行為-在自動(dòng)學(xué)習(xí)過(guò)程中調(diào)整這些參數(shù)，直到神經(jīng)網(wǎng)絡(luò)可以解決特定任務(wù)為止。

“多年來(lái)，我們一直在研究我們可以從自然界中學(xué)到什么，以改善深度學(xué)習(xí)，”維也納工業(yè)大學(xué)“網(wǎng)絡(luò)物理系統(tǒng)”研究小組負(fù)責(zé)人拉杜格羅蘇教授說(shuō)。“例如，線(xiàn)蟲(chóng)的線(xiàn)蟲(chóng)生活中的神經(jīng)元數(shù)量驚人地少，并且仍然表現(xiàn)出有趣的行為模式。這是由于線(xiàn)蟲(chóng)的神經(jīng)系統(tǒng)有效而和諧地處理信息的方式所致。”

麻省理工學(xué)院計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室（CSAIL）主任Daniela Rus教授說(shuō)：“自然向我們展示了仍有很多改進(jìn)的空間。“因此，我們的目標(biāo)是大幅降低復(fù)雜性并增強(qiáng)神經(jīng)網(wǎng)絡(luò)模型的可解釋性。”

“受自然界的啟發(fā)，我們開(kāi)發(fā)了神經(jīng)元和突觸的新數(shù)學(xué)模型，” IST Austria總裁Thomas Henzinger教授說(shuō)。

TU Wien和MIT CSAIL計(jì)算機(jī)工程學(xué)院的博士后研究員Ramin Hasani博士說(shuō)：“與以前的深度學(xué)習(xí)模型相比，單個(gè)單元內(nèi)信號(hào)的處理遵循不同的數(shù)學(xué)原理。”“此外，我們的網(wǎng)絡(luò)非常稀疏-這意味著并非每個(gè)單元都與其他每個(gè)單元連接。這也使網(wǎng)絡(luò)更加簡(jiǎn)單。”

為了測(cè)試新想法，團(tuán)隊(duì)選擇了一項(xiàng)特別重要的測(cè)試任務(wù)：將自動(dòng)駕駛汽車(chē)留在自己的車(chē)道上。神經(jīng)網(wǎng)絡(luò)接收道路的攝像機(jī)圖像作為輸入，并自動(dòng)決定是向右還是向左轉(zhuǎn)向。

“如今，具有數(shù)百萬(wàn)個(gè)參數(shù)的深度學(xué)習(xí)模型通常用于學(xué)習(xí)諸如自動(dòng)駕駛之類(lèi)的復(fù)雜任務(wù)，” IST Austria的TU Wien校友和博士生Mathias Lechner說(shuō)。“但是，我們的新方法使我們能夠?qū)⒕W(wǎng)絡(luò)規(guī)模減少兩個(gè)數(shù)量級(jí)。我們的系統(tǒng)僅使用75，000個(gè)可訓(xùn)練參數(shù)。”

麻省理工學(xué)院CSAIL的學(xué)生亞歷山大·阿米尼（Alexander Amini）解釋說(shuō)，新系統(tǒng)由兩部分組成：攝像機(jī)輸入首先由所謂的卷積神經(jīng)網(wǎng)絡(luò)處理，該卷積神經(jīng)網(wǎng)絡(luò)僅感知視覺(jué)數(shù)據(jù)以從傳入像素中提取結(jié)構(gòu)特征。該網(wǎng)絡(luò)確定攝像機(jī)圖像的哪些部分有趣且重要，然后將信號(hào)傳遞到網(wǎng)絡(luò)的關(guān)鍵部分-“控制系統(tǒng)”，然后控制車(chē)輛。

兩個(gè)子系統(tǒng)堆疊在一起并同時(shí)接受培訓(xùn)。收集了大波士頓地區(qū)許多小時(shí)的人類(lèi)駕駛交通視頻，并將其與有關(guān)如何在任何給定情況下如何駕駛汽車(chē)的信息一起饋入網(wǎng)絡(luò)-直到系統(tǒng)學(xué)會(huì)了自動(dòng)將圖像與適當(dāng)?shù)奈恢眠B接并可以獨(dú)立處理新情況。

該系統(tǒng)的控制部分（稱(chēng)為神經(jīng)回路策略或NCP）將感知模塊中的數(shù)據(jù)轉(zhuǎn)換為轉(zhuǎn)向命令，僅包含19個(gè)神經(jīng)元。Mathias Lechner解釋說(shuō)，NCP比以前的最新模型小3個(gè)數(shù)量級(jí)。

責(zé)任編輯：lq