從搜索引擎到自動駕駛汽車，人工智能已經進入到人們的日常生活，這與近年來所實現的巨大計算能力密不可分。不過，最近有一項新研究的結果表明，與之前相比，采用更簡單、更小的神經元網絡能夠更好、更高效、更可靠地解決某些任務。

　　該團隊在一項重要任務上測試了新神經網絡:讓自動駕駛汽車保持在車道內行駛（圖片來源：奧地利科學技術研究所）

　　據外媒報道，維也納工業大學（TU Wien）、奧地利科學技術研究所（IST Austria）以及美國麻省理工學院（MIT）組建的一支國際研究小組研發了一種新型人工智能系統，基于蟯蟲等微小動物的大腦構建，可以采用少量的神經元控制車輛。該小組表示，與之前的深度學習模型相比，該系統具有決定性的優勢，如可以更好地應對有噪輸入信號。此外，由于該系統很簡單，因而可以詳細解釋其運行模式，不是一個復雜的“黑匣子”，而是可以被人類理解。

　　與大腦類似，人工神經網絡也由許多獨立的細胞構成。當一個細胞處于活動狀態時，它會向其他細胞發送信號。下一個細胞會將所有接收到的信號組合起來，以決定是否它也要活躍起來，即一個細胞影響到下一個細胞活動的方式決定了該系統的行為。在自動學習過程中，此類參數會被調整，直到該神經網絡可以解決某個特定的任務。

　　研究人員表示：“多年來，我們一直在研究可以從自然界中學習到什么，以改進深度學習。例如，C. elegans線蟲的神經元數量就少的驚人，但卻仍表現出十分有趣的行為模式，這是因為線蟲的神經系統會以高效且和諧的方式處理信息。大自然告訴我們，還有很大的改進空間。因此，我們的目標是大幅降低神經網絡模型的復雜性，增強可解釋性。受大自然啟發，我們研發了由神經元和突觸組成的新型數學模型。”

　　該神經網絡內單個細胞內部的信號處理所遵循的數學原理與之前的深度學習模型不同，而且該神經網絡非常稀疏，意味著并非每個細胞都與其他細胞連接在一起，從而也可讓該網絡變得更簡單。

　　為了測試新網絡，研究小組選擇了一個特別重要的測試任務：讓自動駕駛汽車保持在車道內行駛。該神經網絡可以接收道路攝像頭的輸入信息，并自行決定車輛是向右還是向左行駛。

　　研究人員表示：“現在，擁有數百萬個參數的深度學習模型經常被用于學習自動駕駛等復雜任務。但是我們的新方法能夠讓我們將該網絡的規模縮小兩個數量級，只采用7.5萬個可訓練參數。”

　　研究人員還解釋道，新系統由兩部分組成：首先，攝像頭輸入信息由卷積神經網絡進行處理，該網絡只會感知視覺數據，從輸入的像素中提取結構特征，并決定哪些部分是有趣且重要的，然后將信號傳輸到該網絡的關鍵部分——“控制系統”，然后就可以控制車輛。

　　兩個子系統堆疊在一起，同時接受訓練。大波士頓地區的人類駕駛交通視頻被采集然后輸入到該網絡中，加上在特定情況下如何控制車輛的信息，該系統就可以學會自動將圖像與合適的行駛方向連接起來，并能夠獨自處理新情況。

　　該系統的控制部分（神經回路策略，NCP）僅由19個神經元組成，可將感知模塊的數據轉換為控制指令。研究人員表示，與最先進的模型相比，NCP的規模要小3個數量級。

　　該款新型深度學習模型在一輛真正的自動駕駛汽車上接受了測試。研究人員表示：“我們的模型可以讓我們查看在車輛行駛時，該網絡關注的是什么。我們的網絡關注于攝像頭圖片中非常具體的部分：路邊以及地平線，此種行為是獨一無二的。此外，可以確定每個細胞在任何駕駛決策中的作用，可以理解單個細胞的功能及行為。”

　　研究人員還表示：“為了比較NCP與之前深度模型的魯棒性，我們對輸入的圖像進行了干擾，并評估了該代理處理有噪信號的能力。對于其他深度神經網絡而言，該問題難以克服。但是，我們的NCP卻可以抵御輸入的偽信號。我們新模型的兩大優勢是可解釋性和魯棒性，不過，也還有其他優勢，例如，可以減少訓練時間，可以在相對簡單的系統中實現AI。此外，我們的NCP可以讓模仿學習應用于倉庫自動化作業、機器人運動等各種應用。新方法為AI社區開辟了新前景，生物神經系統的計算原理可成為構建高性能可解釋AI的巨大資源，替代現有的黑匣子機器學習系統。”