從搜索引擎到自動駕駛汽車，人工智能（AI）已經(jīng)應(yīng)用于日常生活的方方面面。這與近年來飛躍式的算力進步有很大關(guān)系。但 AI 研究的最新結(jié)果表明，更簡單小巧的神經(jīng)網(wǎng)絡(luò)可以更好，更有效且更可靠地解決某些任務(wù)。

近日，麻省理工學(xué)院計算機科學(xué)與人工智能實驗室（MIT CSAIL），維也納工業(yè)大學(xué)和奧地利科技學(xué)院的國際研究團隊開發(fā)出了一種新型 AI 系統(tǒng)。

這種新穎的 AI 系統(tǒng)受到線蟲等細小動物的大腦的啟發(fā)，其核心控制系統(tǒng)僅用 19 個神經(jīng)元就能操控車輛，實現(xiàn)自動駕駛。

研究團隊表示，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。它可以更好地應(yīng)對噪聲的輸入，而且由于其構(gòu)造的簡單性，人們可以很好地解釋其操作模式，不再是 “復(fù)雜的黑匣子”。這種新的深度學(xué)習(xí)模型現(xiàn)已發(fā)布在 Nature Machine Intelligence 上。

谷歌軟件工程師兼 AI 研究員 Fran?ois Chollet 表示，“神經(jīng)回路政策是一種受生物神經(jīng)元啟發(fā)的有前途的新架構(gòu)。它生成的模型非常小，但能處理復(fù)雜任務(wù)。這種簡單性使其更強大，更易解釋?！?/p>

類似于大腦，人工神經(jīng)網(wǎng)絡(luò)由許多單個神經(jīng)元組成。當一個神經(jīng)元處于活動狀態(tài)時，它將向其他神經(jīng)元發(fā)送信號。下一個神經(jīng)元會收集所有信號，組合起來并決定其自身是否激活。一個神經(jīng)元影響下一個神經(jīng)元的方式?jīng)Q定了整個系統(tǒng)的下一次行為。這些參數(shù)會在自動學(xué)習(xí)過程中不斷調(diào)整，直到神經(jīng)網(wǎng)絡(luò)可以解決特定任務(wù)為止。

多年來，科學(xué)家們一直在研究可以從自然界中學(xué)到什么，以改善深度學(xué)習(xí)。秀麗隱桿線蟲是一個典型的研究對象，它只有數(shù)量極少的神經(jīng)元，但仍然表現(xiàn)出非常有趣的行為模式，因為它的神經(jīng)系統(tǒng)可以用非常高效而和諧的方式處理信息。

麻省理工學(xué)院 CSAIL 主任 Daniela Rus 教授表示，“大自然向我們展示了巨大的進步空間。我們的目標是大幅降低復(fù)雜性并開發(fā)一種新型神經(jīng)網(wǎng)絡(luò)架構(gòu)?！?/p>

與之前的深度學(xué)習(xí)模型相比，新架構(gòu)的神經(jīng)元和數(shù)學(xué)模型都是全新的，單個神經(jīng)元的信號處理方式遵循了完全不同的數(shù)學(xué)原理。整個網(wǎng)絡(luò)非常稀疏，因為并非每個神經(jīng)元之間都互相連接在一起。這讓模型變得更簡單。

為了測試新想法，研究團隊選擇了一項特別重要的任務(wù)：自動駕駛汽車并維持在車道上。神經(jīng)網(wǎng)絡(luò)將攝像機捕捉的道路圖像作為輸入值，并自主決定是向右還是向左微調(diào)方向。

目前，用來實現(xiàn)自動駕駛等復(fù)雜任務(wù)的深度學(xué)習(xí)模型通常擁有數(shù)百萬個參數(shù)。相比之下，新架構(gòu)僅用到了 7.5 萬個可訓(xùn)練參數(shù)，規(guī)模減少了兩個數(shù)量級。

新系統(tǒng)由兩部分組成：卷積神經(jīng)網(wǎng)絡(luò)和控制系統(tǒng)。

攝像機的輸入首先會經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)，它僅負責(zé)處理視覺數(shù)據(jù)并從像素中提取結(jié)構(gòu)特征，找到那些有趣和重要的信息，然后將信號傳輸?shù)杰囕v的控制系統(tǒng)中。

控制系統(tǒng)部分，又被稱為神經(jīng)回路策略（NCP），可以將感知模塊中的數(shù)據(jù)轉(zhuǎn)換為轉(zhuǎn)向命令，僅包含 19 個神經(jīng)元，比現(xiàn)有最好模型要小好幾個數(shù)量級。

兩個子系統(tǒng)堆疊在一起并同時接受訓(xùn)練。訓(xùn)練數(shù)據(jù)來自大波士頓地區(qū)，是由人類駕駛員完成的駕駛視頻，一同輸入網(wǎng)絡(luò)的還有何在任何給定情況下控制汽車方向的資料 —— 直到系統(tǒng)學(xué)會了自動將圖像與合適的轉(zhuǎn)向系統(tǒng)聯(lián)系起來，可以獨立處理新情況為止。

該深度學(xué)習(xí)模型已在自動駕駛汽車上進行了測試。研究人員可以輕易地找出，在駕駛時，神經(jīng)網(wǎng)絡(luò)的注意力放在哪里：在這種情況下，是路肩和地平線。

他們還能確定每個神經(jīng)元在駕駛決策中發(fā)揮的作用，即每個神經(jīng)元的功能和行為。對于規(guī)模更大的深度學(xué)習(xí)模型，是不可能實現(xiàn)這種程度的可解釋性的。”

NCP 的魯棒性也經(jīng)得住考驗。研究人員在輸入圖像中添加了干擾和噪聲，以測試 AI 的應(yīng)對能力。得益于新神經(jīng)網(wǎng)絡(luò)模型和架構(gòu)，該模型表現(xiàn)出了強大的噪聲抵抗力。

研究人員 Ramin Hasani 認為，可解釋性和魯棒性是新模型的兩個最主要優(yōu)勢，但它實際上還有更多優(yōu)點，比如減少訓(xùn)練時間，以及增加在簡單系統(tǒng)中實現(xiàn) AI 的可能性。

“我們的 NCP 可以在廣泛應(yīng)用中進行模仿學(xué)習(xí)，包括自動化工作和機器人運動，”Hasani 補充稱，“這些新發(fā)現(xiàn)為 AI 社區(qū)拓展了新的方向，生物神經(jīng)系統(tǒng)中的計算原理可以成為創(chuàng)建高性能可解釋 AI 的重要資源，作為現(xiàn)有黑盒機器學(xué)習(xí)系統(tǒng)的替代品?！?/p>

責(zé)任編輯：xj

原文標題：MIT領(lǐng)銜發(fā)明新AI模型，19個神經(jīng)元就能操控車輛行駛

文章出處：【微信公眾號：DeepTech深科技】歡迎添加關(guān)注！文章轉(zhuǎn)載請注明出處。