模仿生物深度學(xué)習(xí)模型人工智能系統(tǒng)可以控制少量人造神經(jīng)元的車輛

　　如果模仿生物模型，人工智能(AI)可以變得更加高效和可靠。人工智能研究的新方法在實(shí)驗(yàn)中取得了巨大成功。
 

　　從搜索引擎到無(wú)人駕駛汽車，人工智能已經(jīng)進(jìn)入我們的日常生活。這與近年來(lái)已獲得的巨大計(jì)算能力有關(guān)。但是AI研究的新結(jié)果現(xiàn)在表明，與以往相比，更簡(jiǎn)單，更小的神經(jīng)網(wǎng)絡(luò)可以更好，更有效，更可靠地解決某些任務(wù)。
 

　　國(guó)際上已經(jīng)有人開(kāi)發(fā)了一種基于細(xì)線動(dòng)物(例如線蟲(chóng))的大腦的新型人工智能系統(tǒng)。這種新穎的AI系統(tǒng)可以控制帶有少量人造神經(jīng)元的車輛。
 

　　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”，但人類可以理解。
 

　　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)。它產(chǎn)生了可以處理復(fù)雜任務(wù)的非常小的模型。這種簡(jiǎn)單性使其更強(qiáng)大，更易解釋。
 

　　向自然學(xué)習(xí)
 

　　類似于活腦，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)都將組合起來(lái)，以決定該小區(qū)是否也將變?yōu)榛顒?dòng)狀態(tài)。一個(gè)單元格影響下一個(gè)單元格活動(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)，例如，線蟲(chóng)秀麗隱桿線蟲(chóng)以極少的神經(jīng)元數(shù)量生活，并且仍然表現(xiàn)出有趣的行為模式。這是由于線蟲(chóng)的神經(jīng)系統(tǒng)有效而和諧地處理信息的方式。
 

　　自然向我們展示了仍有很大的改進(jìn)空間。因此，我們的目標(biāo)是大幅降低復(fù)雜性并開(kāi)發(fā)一種新型的神經(jīng)網(wǎng)絡(luò)架構(gòu)。
 

　　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，
 

　　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)單元都連接到其他每個(gè)單元。這也使網(wǎng)絡(luò)更簡(jiǎn)單。
 

　　自主車道保持
 

　　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)：將無(wú)人駕駛汽車留在自己的車道上。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)駕駛之類的復(fù)雜任務(wù)，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)。
 

　　新系統(tǒng)由兩部分組成首先由所謂的卷積神經(jīng)網(wǎng)絡(luò)處理攝像機(jī)的輸入，它僅處理視覺(jué)數(shù)據(jù)以從傳入像素中提取結(jié)構(gòu)特征。它與車輛的實(shí)際轉(zhuǎn)向無(wú)關(guān)。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)霓D(zhuǎn)向系統(tǒng)連接起來(lái)為止方向，可以獨(dú)立處理新情況。
 

　　系統(tǒng)的控制部分(稱為神經(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。這比以前的最新模型要小幾個(gè)數(shù)量級(jí)
 

　　因果關(guān)系和可解釋性
 

　　新的深度學(xué)習(xí)模型已在真正的無(wú)人駕駛汽車上進(jìn)行了測(cè)試。我們的模型使我們能夠研究駕駛時(shí)網(wǎng)絡(luò)將注意力集中在什么方面。我們的網(wǎng)絡(luò)專注于攝像機(jī)圖像的非常具體的部分：路邊和地平線。這種行為是非?？扇〉?，并且在人工智能系統(tǒng)中是獨(dú)一無(wú)二的。此外，我們看到可以確定每個(gè)單元在任何駕駛決策中的作用。我們可以了解單個(gè)細(xì)胞的功能及其行為。對(duì)于更大的深度學(xué)習(xí)模型而言，實(shí)現(xiàn)這種程度的可解釋性是不可能的。
 

　　堅(jiān)固性
 

　　為了測(cè)試與以前的深層模型相比，NCP的穩(wěn)定性，我們對(duì)輸入圖像進(jìn)行了擾動(dòng)，并評(píng)估了代理商對(duì)噪聲的處理能力，雖然這成為其他深度神經(jīng)網(wǎng)絡(luò)無(wú)法解決的問(wèn)題，但我們的NCP表現(xiàn)出了對(duì)輸入偽像的強(qiáng)大抵抗力。這種屬性是新型神經(jīng)模型和架構(gòu)的直接結(jié)果。
 

　　可解釋性和穩(wěn)健性是我們新模型的兩個(gè)主要優(yōu)勢(shì)，但是還有更多：使用我們的新方法，我們還可以減少培訓(xùn)時(shí)間，并減少在相對(duì)簡(jiǎn)單的系統(tǒng)中實(shí)施AI的可能性。從倉(cāng)庫(kù)中的自動(dòng)化工作到機(jī)器人運(yùn)動(dòng)，我們的NCP可以在廣泛的可能應(yīng)用中進(jìn)行模仿學(xué)習(xí)。新發(fā)現(xiàn)為AI社區(qū)打開(kāi)了重要的新視野：生物神經(jīng)系統(tǒng)中的計(jì)算原理可以成為創(chuàng)建高性能可解釋AI的重要資源-替代我們迄今為止使用的黑盒子機(jī)器學(xué)習(xí)系統(tǒng)。