让AI“更聪明”的核心，埋藏在大脑处理知识的逻辑中？

发布时间：2023-09-16 16:17:08 所属栏目：外闻来源：

导读：大脑是宇宙中已知的，也可能是唯一的“智能机器”。随着人类对大脑的结构与功能的认识不断深化，大脑的基本原理为改进人工智能提供了最重要的参考。2023年1月，北京大学心理与认知科学学院吴思教授与清华大

大脑是宇宙中已知的，也可能是唯一的“智能机器”。随着人类对大脑的结构与功能的认识不断深化，大脑的基本原理为改进人工智能提供了最重要的参考。2023年1月，北京大学心理与认知科学学院吴思教授与清华大学社会科学院心理学系的刘嘉教授等人在“AI of Brain and Cognitive Sciences: From the Perspective of First Principles”一文中，将大脑的基本原理概括为：吸引子网络、临界性、随机网络、稀疏编码、关系记忆、感知学习。

各种各样的信息充斥在人们的生活中，人们需要从中吸取生活经验并将其存储在大脑中。知识存储是重要的认知能力，也是神经科学和计算科学重要的研究问题。最近的研究发现，大脑的记忆系统以参考框架（reference frame）的形式在内侧颞叶（medial temporal lobe，MTL）精确地组织和存储不同信息之间的关系。目前，参考框架已经在空间记忆和非空间记忆的实验中被观察到，并且驱动了一个新的研究方向——关系记忆的产生。

MTL由海马和嗅周皮层、内嗅周皮层和旁海马皮层组成[1]。早期通过对病人的研究发现，双侧内侧颞叶的切除和海马CA1区双侧的损伤均会导致短期记忆的丧失，但是长期记忆完好。这说明MTL在记忆巩固中起重要作用，海马损伤会导致学习经验不能从短时记忆转化为长时记忆[2]。短时记忆和长时记忆都被归为陈述性记忆。空间记忆在当时一直被忽视。

在20世纪70年代，John O'Keefe及其同事在大鼠海马中发现了未知细胞，人们才对大脑如何编码空间信息有了一些理解[3]。位置细胞会根据大鼠处于空间中的特定位置选择性反应，即只有当大鼠处于空间中的特定位置时，相应的位置细胞才做出反应。这表明海马中的位置细胞能够对位置信息进行编码，而由海马中的位置细胞群构成的认知地图系统（cognitive map system）可以在脑内形成空间参考地图。

之后，May-Britt Moser和Edvard I. Moser和同事们在大鼠的背尾内侧内嗅皮层（dorsocaudal medial entorhinal cortex，dMEC）植入电极，找到了一些发放场（firing field）呈现显著的空间结构的神经元[5]。这些神经元被称为“网格细胞”，它们的发放场在整个环境中规律地分布于六边形的顶点处（图1）。这说明大脑中存在地图状结构，这些地图是由网格细胞组成的。

接着，Alexandra O Constantinescu等人证实了网格细胞不仅仅编码物理空间，还编码抽象的概念空间（conceptual space），在他们的实验中，当被试进行一个二维的关于“bird space”（由连续变化的鸟的脖子和腿长构成的二维空间）的任务时，在其MEC也观察到与网格细胞类似的神经表征。

James Whittington及其同事于2020年首次成功实现了MTL的统一框架，建立了名为Tolman-Eichenbaum Machine（TEM）的参考框架系统[7]。他们通过将空间记忆和关系记忆都视为结构的抽象和示例的概括，来解释海马既能表征物理空间又能表征抽象空间的特性。

空间推理可以被看做是对于结构的概括，因为不同的空间环境共享欧几里得空间的常规性质，这些性质定义了可以进行哪些推断，以及可能存在哪些途径[7]。例如，以当前位置向前或者向后移动可以使你返回起始位置。

结构性的规律在非空间关系问题中也同样适用。例如，传递性推理问题可以将刺激物表示在一个抽象的有序轴上，由A>B和B>C可以推理出A>C[7]。类似地，对分层结构的抽象使得人们在遇到新的社交情境时可以进行快速推断，例如已知小A（男）和小B（女）是兄妹，小C是小A的女儿，由此可以推断出小B是小C的姑姑。

这种结构性概括非常有利于学习新的知识和进行灵活推断，是人工智能领域的一个关键问题。TEM采用“分解和连接”的方法对知识进行结构泛化，从而可以在空间和非空间记忆任务中学习泛化的神经表征并用于预测，即TEM假设知识的各个方面是单独表征的，可以被灵活地重新组合以表征新的知识。

从理论上讲，参考框架能够以连续和定量的方式尽可能多地存储与特定特征对应的知识。单一维度的参照系统不可能存储由多特征组成的知识。为了灵活记忆和应用知识，“传递性”和“对称性”是十分重要的。

“传递性”表示判断具有共同特征的知识对的能力，“对称性”表示将以相反事间顺序呈现的知识对联系起来的能力。为了满足多样性的需求，大脑必须使用群体编码来连接来自多个维度的知识片段。

近年来，神经科学和计算科学的研究主要集中在神经元放电速率的拓扑结构上，结果表明，神经元群体能够协调嵌入参考框架的知识中（即知识存储），并在复杂环境中应用（即知识检索）。从群体编码的动态角度来看，这些研究为揭示神经元如何有效地相互作用以及存储和检索关系记忆的原理提供了方向，这是一个几十年来仍未解决的经典问题。

对神经相互作用机制的研究最初来自计算建模领域，如Shun-ichi Amari提出的竞争-合作机制（competition-cooperation mechanism），该机制假设一个周期权重函数形成一系列吸引子[8]。在空间导航场景中，每个吸引子以二维欧几里得空间的某个位置为中心，然后通过周期函数的激励或抑制确定神经交互作用。

吸引子网络中的“连续吸引子神经网络（CANN）”成功地模拟了位置细胞和网格细胞的动态模式，使空间知识能够稳定地被细胞编码。在CANN的基础上，Alexei Samsonovich和Bruce L. McNaughton[9]进一步提出，网格细胞群的放电速率依赖于被称为“环面”的拓扑结构。与欧几里得空间的运动最终有界不同，环面结构没有边界来适应网格细胞的周期性模式，因此从环面上的任何位置开始的运动永远不会有界，而是最终返回原点。

（编辑：汽车网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!