?5月20日，由中國電子學(xué)會主辦，ZD至頂網(wǎng)協(xié)辦的第八屆中國云計算大會進(jìn)入了最后一個日程，在最后一日的全體大會上，英國伯明翰大學(xué)首席教授姚新做出了以“三個被遺忘的腦啟發(fā)計算問題”為題目的主題演講。

圍繞著三個問題的說明，姚新總結(jié)道，“所有的生物界大腦都是演化過來的，所以在腦計算研究的過程中，應(yīng)該適當(dāng)?shù)目紤]演化的過程，而不是考慮怎么樣人的智慧來設(shè)計一個腦；所有的生物界的大腦功能都是在動態(tài)環(huán)境中完成，而現(xiàn)在考慮所謂的智能系統(tǒng)還是把某一個任務(wù)分離出來，作為單個靜態(tài)離散的問題，這對真正的研究方向和研究的系統(tǒng)是有一定影響的；研究智能系統(tǒng)的時候，一定要跟它的體型有關(guān)系。這個體型生物界當(dāng)然是身體，但是在實際的生活中可以跟你真正的硬件條件有關(guān)系，而這二者看似不重要，實際上二者有相當(dāng)大緊密相合的關(guān)系，實質(zhì)把它分開以后，系統(tǒng)的結(jié)構(gòu)和行為非常不一樣。”

以下是姚新演講實錄：（以下內(nèi)容根據(jù)現(xiàn)場速記整理，未經(jīng)發(fā)言嘉賓確認(rèn)，僅供參考，謝絕轉(zhuǎn)載。）

謝謝林秘書長的介紹。

我今天講這題目可能聽起來有一點奇怪，因為作報告的時候大家都會講做了什么。我想這是一個比較難得的機(jī)會。就是會后大家老是對我作報告提問，我想今天找一個機(jī)會我給大家聽報告的人提問。因為就30分鐘，時間也不太充裕，我就提三個問題，你想提三個問題10分鐘那問題一定很長，那實際上問題很短了。我開始是有一點點的引言是講我的報告背景是什么東西。后面三點實際就是三個問題，最后有一個很簡單的總結(jié)。

我就稍微聲明一下，講的三個問題是我個人的看法，可能講的不見得都對，因為既然是論壇是講將來研究，研究總是有爭論，所以這三個問題提出來是給大家做討論用的。

第一個問題講最近大家突然對人工智能特別感興趣。做人工智能有一部分，又是做所謂的內(nèi)腦計算，內(nèi)腦計算里面的話，就是說對人的大腦要做研究，通過對人的大腦研究，吸取一些營養(yǎng)，通過這營養(yǎng)的造點更好的計算機(jī)系統(tǒng)，所以你看最近腦計劃的不但是美國有、歐洲有，國內(nèi)也有。國內(nèi)不但是基金的有，部委的層次也有。這里面有一些什么問題呢？

第一個問題就是大學(xué)里面做腦計劃、腦研究，怎么搞就跟我們平常看的和想的特別不一樣。因為在這世界上所有的大腦上都是設(shè)計出來，除非你是信上帝，你要不信上帝，所有的大腦，不是人的大腦還是生物界的大腦，都是通過自然演化出來，但是你看所有這些做腦計算機(jī)的人，有幾個在談演化的過程，所以這是從做研究人禮說是很奇怪的現(xiàn)象，就是我對我的產(chǎn)品特別感興趣，就是一個大腦感興趣。但是我對怎么產(chǎn)生這產(chǎn)品的過程，我整個就忽略掉了，就是我可以不考慮演化，光考慮怎么設(shè)計這大腦。所以從研究趨勢和研究方法來說，我覺得這很有趣，為什么人家這么做呢？怎么能把演化大腦這過程不做研究，光去考慮怎么樣研究？怎么設(shè)計這大腦呢？所以我想舉一個非常簡單的例子，就是說做這人工智能的研究，或者做內(nèi)腦計算研究。假定我們往后退一步，不要把眼光就集中在腦，現(xiàn)在在這時刻什么樣？而是想這個腦經(jīng)過幾百億年，它是怎么來的，把這過程加進(jìn)去，我們是不是從這過程中能學(xué)到一些什么東西。

所以我舉這例子實際上是作為人工神經(jīng)網(wǎng)絡(luò)當(dāng)中一個小例子。這例子什么東西呢？就是說假定我現(xiàn)在對很簡單的人工神經(jīng)網(wǎng)絡(luò)感興趣，然后人工神經(jīng)網(wǎng)絡(luò)是一個粗淺的，就是多層網(wǎng)。所謂Feed—forvard，就是前項網(wǎng)，也是從人看來非常非常簡單的事情，什么事情呢？就是我給你一些二進(jìn)制的位，就是0101位，假定給你8個輸入，每一個輸入都是二進(jìn)制位，人工神經(jīng)網(wǎng)絡(luò)想學(xué)習(xí)的輸送，就是你告訴我基偶性什么東西，假如我給你八個，這里面有四個一，你給我輸0，有基數(shù)的0你有輸出一個基數(shù)的1，那你說太容易我坐下來我花半個小時給你設(shè)計出來的神經(jīng)網(wǎng)絡(luò)，的確可以設(shè)計出來非常規(guī)整的神經(jīng)網(wǎng)絡(luò)，來判斷你給我多少個輸出，因為輸入是二進(jìn)制位，輸出也是二進(jìn)位。但是我做研究，可以把簡單的事情做復(fù)雜。假定我沒有上過學(xué)，也沒有學(xué)習(xí)過基偶性概念，我能不能納一個演化的過程去發(fā)現(xiàn)，有沒有什么樣的人工神經(jīng)網(wǎng)絡(luò)，也能完成這基偶性判斷的功能，所以說我可以找一個很簡單的演化過程。人工生成的網(wǎng)絡(luò)你就可以不能不能隨機(jī)生成，哪個神經(jīng)元跟一個有連接，就是神經(jīng)元的連接也是全部。那不管怎么樣，隨機(jī)生成的里面，相對來說有的次數(shù)多一些，有的對次數(shù)少一些，所以我有一個適應(yīng)度選擇的過程，所以你們看起來右邊是一個選擇的過程，所以這過程有一點像演化過程中的適者生存，雖然我們也也不知道哪一個完美的答案，我總能知道哪一個答案比另外一個答案稍微好一點。一旦有這選擇過程，我就把稍微好一點選出來，在這神經(jīng)網(wǎng)絡(luò)上做一點小小隨機(jī)的改動，也不是絕對性的改動，所以就產(chǎn)生了所謂下一代。我就不斷重復(fù)這過程，這過程就有一點像適者生存的過程。

我賺上幾百帶、幾千帶以后，我就看隨機(jī)初始化出來的神經(jīng)網(wǎng)這最后什么樣，這神經(jīng)網(wǎng)就是基偶性的判斷。所以這一個例子，就是我人工神經(jīng)網(wǎng)絡(luò)，我有9個輸入，每一個輸入就是二進(jìn)制的BT，這只能0和D，我輸出就是9個究竟有幾個基數(shù)的1還是偶數(shù)的1。

看圖給大家一個解釋，第一個實際上做過人工神經(jīng)網(wǎng)絡(luò)的老師或者是學(xué)生就發(fā)現(xiàn)，我設(shè)計出來的這么一個圖，這個人工神經(jīng)網(wǎng)絡(luò)對判斷9個輸入的基偶性神經(jīng)網(wǎng)絡(luò)，就是當(dāng)時所有基偶性的網(wǎng)絡(luò)，就是小的神經(jīng)元個數(shù)最小。就是第一個觀察到，我通過演化發(fā)現(xiàn)出來一個神經(jīng)網(wǎng)絡(luò)，發(fā)現(xiàn)的特別緊湊，跟人工設(shè)計的不一樣，理論設(shè)計不出來這個，我現(xiàn)在跟很多感興趣的學(xué)生或者老師說，你可以試試看，我給你9個輸入的BSERVATIONS。

第二個就是你發(fā)現(xiàn)通過演化的過程，搜索出來的人工神經(jīng)網(wǎng)絡(luò)，跟你手工設(shè)計出來來說，它的乘數(shù)相對來說會比較多一點。這個乘數(shù)怎么看呢？你看結(jié)點10和11之間兩點之間沒有連線，所以你說10和11是在一層當(dāng)中，但是11和12，12和13中間都有一線，所以從層數(shù)來說，我有一層輸入層1到9，第二層引接點就是10和11。第三層就是12，第四層就是13，又多加了一個層，所以層數(shù)總歸有四層。人工設(shè)計基偶，從來不會設(shè)計個基偶性的網(wǎng)絡(luò)，所以這是觀察到的一個現(xiàn)象。

第三個就是人工設(shè)計出來的網(wǎng)絡(luò)，輸入的九位里面你只要變了一位，從0變到1你的輸出一定要變。我們知道的基偶性。但是通過演化這么發(fā)現(xiàn)出來的神經(jīng)網(wǎng)絡(luò)，看上去沒有什么規(guī)律的。如果說我做同樣的一個實驗，不是做9位，我做一個8位跟9位沒有什么規(guī)整性和推廣性來說，所以這是非常有趣的現(xiàn)象。為什么？你發(fā)現(xiàn)你把演化過程考慮出來，你出來所謂的產(chǎn)品，跟你想想出來要設(shè)計出來的產(chǎn)品不是太一樣的事情。

不太是一樣里面呢？有很多更進(jìn)一步的問題可以問，從研究來說，我就講了最后一點。最后一點就是講對腦感興趣的人總是知道，大腦是分區(qū)，大腦分區(qū)它有一定模塊化的結(jié)構(gòu)，好像最簡單有一個左腦、右腦之分，做視覺的話，說我整個區(qū)域里面分了六大區(qū)，昨天還聽報告數(shù)據(jù)上分的更細(xì)，整個大腦兩百多個區(qū)。但是你看這結(jié)構(gòu)你是分不出什么結(jié)構(gòu)的。沒有所謂的模塊化結(jié)構(gòu)在里面，但是我們從做生物界的角度，觀察到大腦里面的確有模塊在里面，為什么有這差距呢？這差距就引出來一個很有趣的觀察，這觀察實際上不見得都是神經(jīng)網(wǎng)絡(luò)里面，在人工智能稍微大一點也是這個樣子。就大家無論是看科學(xué)文章，或者從媒體里面聽一些報道，所謂比較成功，人工智能的系統(tǒng)總是針對一個很具體的問題來求解。好像我用一些深度網(wǎng)絡(luò)，做了一個圖像識別的系統(tǒng)，我可以把這個圖像識別系統(tǒng)做的非常精致，做的比任何一個團(tuán)隊都強(qiáng)。

過兩天我?guī)б粋€團(tuán)隊一大堆GPU，也可以做的非常極致，比誰都好。但是你想一想，在你左右四周這些人里面。有哪一個人他活著這一輩子就做了這一件事。你每天你要吃飯、要穿衣、要講話，而且講話是跟不同德人講話，還得做思考做學(xué)術(shù)研究。所以實際當(dāng)中的生物網(wǎng)絡(luò)永遠(yuǎn)是做非常多的不同的事情。而且是用一個系統(tǒng)做不同的事情。而現(xiàn)在的人工神經(jīng)網(wǎng)絡(luò)系統(tǒng)都是一個系統(tǒng)做一個事情。那這有關(guān)系嗎？沒有關(guān)系吧。你把這東西加到一塊不就行了嗎？所以說我們在看第二個例子。

我現(xiàn)在假如做一點小小的人工實驗，這一個神經(jīng)網(wǎng)絡(luò)完成不同的問題，我看神經(jīng)網(wǎng)絡(luò)它的結(jié)構(gòu)是個什么樣子的？做對比實驗的時候，我做同樣的一個神經(jīng)網(wǎng)絡(luò)每一次只讓它做一件事情，它這出來結(jié)果又是什么東西有沒有區(qū)別。所以說這是我想強(qiáng)調(diào)問題對人工智能系統(tǒng)或者說神經(jīng)網(wǎng)絡(luò)系統(tǒng)的重要性。

這里就稍微復(fù)雜的一點，但是我就把它總結(jié)了一下，總結(jié)了一下就是說，我做對比實驗的時候，我主要看什么呢？主要看生物界的神經(jīng)網(wǎng)絡(luò)里面這模塊化的特性。我前面做了一個小實驗，做了基偶性的神經(jīng)網(wǎng)絡(luò)，演化出來的結(jié)構(gòu)，這結(jié)構(gòu)說的沒有什么模塊性，假如說從生物界來說一點都不規(guī)則，現(xiàn)在往前進(jìn)一步，我同樣一個神經(jīng)網(wǎng)絡(luò)，我讓它做多種不同的事情，把這演化出來的神經(jīng)網(wǎng)絡(luò)，只跟另外一個只做一個事情的神經(jīng)網(wǎng)絡(luò)做比較。

做出來的結(jié)果，實際上我就總結(jié)了一下。總結(jié)的時候就是說你可以對比這兩個神經(jīng)網(wǎng)絡(luò)的模塊化的程度。你就發(fā)現(xiàn)隨著你哪一個神經(jīng)網(wǎng)絡(luò)系統(tǒng)做多個工作，這工作數(shù)的增加，它最后出來神經(jīng)網(wǎng)絡(luò)的模塊性也跟著增加。你只讓一個神經(jīng)網(wǎng)絡(luò)完成一個工作的話，它是沒有模塊性的。你不論是生物界怎么樣你應(yīng)該有模塊性，但是你任務(wù)的原因沒有模塊性。

所以我這里講的第二個問題什么東西呢？就是說在所謂的內(nèi)腦計算，就是或者更廣一點就是人工智能系統(tǒng)的時候，一定要說清楚，我要這人工智能系統(tǒng)做什么事情？假定我說我就要開發(fā)一個人工智能系統(tǒng)，而不是說人工智能系統(tǒng)要做什么的話？我覺得我會被這結(jié)論誤導(dǎo)，為什么人工智能的能力和它的結(jié)構(gòu)，跟你想讓它做什么事情，做不同的事情它的關(guān)系太大了。所以說環(huán)境對系統(tǒng)的影響非常大。這是講的第二個問題。

第三個問題呢，實際上跟第一個問題來源非常類似，都是觀察一些生物界的一些非常非常普通的現(xiàn)象得來的。得來什么東西呢就是講的第一個，大家對大腦總是特別感興趣。一想這大腦聰明啊，但是大家有多少想過，所謂的大腦都是有個身體的。你在生物界里面有沒有看過只有大腦沒有身體的東西，沒有啊。世界上所有生物界的大腦都是再一個身體里面。但是真正研究腦科學(xué)或者說是做什么內(nèi)腦計算、人工職能系統(tǒng)的有幾個是在研究身體的？你說身體什么關(guān)系，你說一個手、一個腳，跟我研究大腦。但是人們總是想，所有的人腦都是嵌到身體當(dāng)中，那這身體的形狀它的行為對大腦會不會影響，實際上就是想問這問題。生物界有非常多人在研究，但是計算機(jī)界、人工界幾乎沒有人對這問題感興趣。而這東西雖然現(xiàn)在沒有答案。但是咱們可以做一點探索，做一點人工的實驗探索。

做探索的時候，也是用一個人工的例子，例子就是想，我現(xiàn)在可以做一些人文的生物，就不是真的生物，我來研究一下生物的體態(tài)和形狀，跟我生物的神經(jīng)元和神經(jīng)網(wǎng)絡(luò)，它之間是什么關(guān)系。這里我是用的一個比較簡單的例子。這例子就是造出來有點像水里面的線蟲，這不是真正的動物，實際上人工造出來的東西。那個線蟲有一節(jié)一節(jié)，有點像仿造生物界的線蟲。它有一個頭有個尾，多少節(jié)拼起來，每一節(jié)它有個形狀，產(chǎn)生每一節(jié)有一個神經(jīng)網(wǎng)絡(luò)來控制它的運動。神經(jīng)網(wǎng)絡(luò)怎么控制呢？實際上就假定，每一節(jié)它都有一個比較規(guī)整的神經(jīng)網(wǎng)絡(luò)。神經(jīng)元這每一個圈在我身體什么位置，這是不確定的。就是說我現(xiàn)在雖然說是有4×5、20個神經(jīng)元，20個我做實驗的時候把它定下來，但是20個神經(jīng)元擺身體什么地方，這是不確定性，那你不確定以后該怎么辦？我還是通過演化的方法，演化方法自動去發(fā)現(xiàn)，我在某種任務(wù)上，我這神經(jīng)元應(yīng)該放在什么地方。那你說應(yīng)該有哪些任務(wù)呢？實際上你看這下半部分，是我做實驗中三種任務(wù)非常簡單。

我前面說一個線蟲，實際上一個圓桶體，具體的位置是通過演化的方法去確定，我想讓線蟲干什么呢？就是游泳。就是說我從A點到B點，我希望線蟲往前直線游，你游的時間越短，我表示你這性能越好，這是很簡單的，這是我的目標(biāo)。 怎么做呢？就是通過演化的方法，看看能不能發(fā)現(xiàn)我什么樣的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，在這一條線的圓桶體態(tài)下使得A到B游的最快。

第二個工作稍微復(fù)雜一點，我讓這線蟲不斷的直線游我還希望它既能左拐還是右拐。第三種情況跟第一種有點類似，也是希望直線往前走，但是我希望這線蟲體態(tài)改變了，原來不是一條直線我把它扭彎，就好像人因為種種原因，這個腳稍微有點短了，一個是往右斜往左斜，但是我還得說你得往前游，你不能往邊上走，我就想知道這三種情況，我通過演化的情況下不能限制，它最后出來的神經(jīng)結(jié)構(gòu)是什么樣子？這結(jié)果跟我們想象不太一樣，第一種情況下直線往前走一根線的時候，你能看出來這演化的過程，這左上角這圖，這紅點和黃點表示我這神經(jīng)元在圓桶上分布的位置，這是隨機(jī)的位置。然后隨機(jī)的位置從左到右，從上到下，你看到我每一個圖右上角有一個數(shù)，好像0、10、30，演化過程演化多少代，第0代、30代、200代，一直到1190代的時候，這右下角的神經(jīng)網(wǎng)絡(luò)，它有非常好的對稱性。這對稱性不是人加進(jìn)去，是演化的方法自己發(fā)現(xiàn)出來，那你說這怎么解釋，實際上解釋很簡單，我現(xiàn)在有一根線蟲，我讓它直線的A到B游，就跟平常的線蟲一樣的，所以說你一定有對稱性游的最快。

剛才講的第二個任務(wù)是說，我現(xiàn)在不但是線蟲往前游，還希望它能往左拐往右拐。我把這個條件加進(jìn)去，它對神經(jīng)網(wǎng)絡(luò)演化出來的結(jié)果又什么影響？這圖上的影響就看的不是太清楚。就畫了這么一個所謂的性能圖，這怎么看呢？這橫軸表示我演化的時間，所以說是從零往右走的話，就是代數(shù)的增加。縱軸你看出來所謂的對稱性。這對稱性是數(shù)值越小，表示我這對稱性越高。所以這有兩根線，一根是紅線，一根是白線。紅線是表示我做第一個實驗的時候，我出來演化過的神經(jīng)網(wǎng)絡(luò)，它的對稱性是一根紅線。這黑線在下面表示我讓同樣一根線蟲，完成雙向不同任務(wù)時候，它的對稱性，你就發(fā)現(xiàn)我讓這線蟲不但是往前走，又要往左走和右走的時候，它的對稱性就更低，因為這數(shù)值越小它的對稱性就越強(qiáng)。這就跟我第二個問題的模塊化有異曲同工的效果在里面。

第三個實驗，是一個從我個人來說最有趣的實驗，這個線蟲不是一根線是彎曲的一根線，你讓它往前走，你可以想象這線蟲怎么往前走，假如說往這方向彎的話，它要直走的話，一定是這樣彈簧一樣往前走，所以說神經(jīng)網(wǎng)絡(luò)分布，它不可能是這真正的均勻兩邊分布，這么彎的話就是往邊走上過去，所以這演化的過程，就有一點魔力，就發(fā)現(xiàn)了根據(jù)你身體形成往左彎還是右彎，它出來兩個非常不一樣神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)。這個不是靠人加進(jìn)去，完完全全通過演化的方法發(fā)現(xiàn)的。它的影響力什么？影響力就是給它的任務(wù)不一樣，然后把整個身體形狀做了一定的限制。

那你說我說的這些主要的信息想說什么呢？主要的信息還是想說，在研究人工智能系統(tǒng)的時候，一定要跟你要人工智能系統(tǒng)完成什么樣的工作，這二者是緊密相關(guān)。同樣對神經(jīng)網(wǎng)絡(luò)來說，你神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)什么樣比較合適？跟你將來做什么工作有關(guān)系，而且跟做的多少樣工作也非常有關(guān)系。

最后我就是做一個小小的總結(jié)。總結(jié)的第一點就是想說，所有的生物界大腦都是演化過來的，所以在腦計算研究的過程中，是不是應(yīng)該適當(dāng)?shù)目紤]演化的過程，而不是考慮怎么樣人的智慧來設(shè)計一個腦。這二者應(yīng)該是有相互互補(bǔ)的作用。

第二個所有的生物界的大腦它完成的功能都是動態(tài)的環(huán)境中完成，不是一個靜態(tài)、離散的單個。而現(xiàn)在考慮所謂的智能系統(tǒng)無論是用神經(jīng)網(wǎng)絡(luò)，或者不用神經(jīng)網(wǎng)絡(luò)來說，還都把某一個任務(wù)分離出來，作為單個靜態(tài)離散的問題，這樣子對真正的研究方向和研究的系統(tǒng)是有一定影響的。

第三個也是一個非常重要的問題，可能也是一個被忽略的比較多的問題。研究智能系統(tǒng)的時候，一定要跟它的體型有關(guān)系。這個體型生物界當(dāng)然是身體，但是在實際的生活中可以跟你真正的硬件條件有關(guān)系，而這二者看似不重要，實際上二者有相當(dāng)大緊密相合的關(guān)系，實質(zhì)把它分開以后，系統(tǒng)的結(jié)構(gòu)和行為非常不一樣。

我就講這么多，提這三個問題，有不對的地方，請大家多批評。

?

??

原文發(fā)布時間為：2016年7月6日

本文來自云棲社區(qū)合作伙伴至頂網(wǎng)，了解相關(guān)信息可以關(guān)注至頂網(wǎng)

總結(jié)

以上是生活随笔為你收集整理的英国伯明翰大学首席教授姚新：人工智能研究应从三个问题重新考虑的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。