S空间分享 http://blog.sciencenet.cn/u/bitong

博文

三论脑研究的核心问题是脑内信息过程----如何开展神经信息学研5

已有 6574 次阅读 2016-7-18 16:40 |个人分类:神经信息学|系统分类:观点评述| 信息

1.前言

我们已经发了两篇文章,强调脑研究的核心是信息,这篇是第三篇.我感到还是有必要写.前两篇主要是想把脑研究从生物研究和疾病研究中分离出来.这一篇是希望脑研究与人工智能分离出来.

我们国家的脑科学题目:脑科学和类脑科学的研究.从这一题目看,信息科学的人要占相当比例,应该说这是好事,我们在几篇文章强调脑研究的核心问题是信息,但是并不是说现代人工智能研究能代替脑研究,或作为脑研究的一部分。持这种观点研究脑,估计不太会有什么结果。类脑计算机和类脑芯片的提法已经很多年了,这个提法也不是中国创造的,这些提法少说也有十几年了,这种提法究竟有多少新意,谁也说不清。至少十几年来没有发现新东西,而且反而被一些人怀疑计算机究竟能走多远?现在美国的脑计划和欧共体的脑计划好像都不提“类脑”之类的东西,我不知道中国为何还去接这样口号,而且把它放在标题中,表明类脑研究占很大比重,这种比重有必要吗?值得思考。

2.人工智能本身的问题

应该说人工智能在理论上近几十年发展很慢,所用算法虽然有很多新名字,但是基本原理还是在老方法上做些变化,没有什么突破性进展.语音识别和图像识别与人比还是差很大距离.连最简单的中英文翻译还是没有实现.翻译最基本的原理不是几本大字典吗?这在计算机中不是很容易吗?为什么到现在为止年轻人出国还需老老实实学外语.应该说人工智能发展现在已经出现了瓶颈.人们把上世纪70年代至2005年这段时间说成为“人工智能冬天”—梦想幻灭的日子。近年来计算机又在中国围棋上战胜人类(其实也没有完全战胜,人至少是1:4输给计算机,人还是赢一盘),现在中国队想挑战计算机,这些都是后话,暂时不提它。自此以后提出了“深度学习”的口号,使人感到人工智能有了希望,人工智能由此再度崛起。我们不太了解什么是深度学习,但是从报道中看出,它无非把学习分为很多层次,解决科学家认为神经网络最难的”局部最小点”难题。基本算法还是原来的“最优化”、“演化选择”等理论,基本的网络还是原来人工神经网络,只是多几层神经网络。确实加上“深度学习”可以改善一些算法。但是本质上还是没有变。神经回路与现在的人工神经网络有着本质差异。也就是说"深度学习"并没有跳出现有的理论框框,它并不能为人工智能带来春天。看来对“深度学习”期望过高了。

3.如何向脑学习`

要向脑学习,首先要了解现在的人工智能理论与神经系统的根本差异.不知道差异如何向脑学习。究竟要向脑学习什么?

有人说现代人工智能是逆向研究脑,是另一条研究脑的道路,我国的脑计划的名称明确提出:脑科学和类脑科学研究.这种提法的前提是现有理论能解决脑的信息处理机理.其实这种思想对脑研究是有害的.应该看到现代信息科学理论无法深入分析脑.这方面努力已在几十年前开始试过,但是没有见到效果.这是为什么?举一个最简单例子.现代人工智能最核心的东西是”学习”.如何学?就是要有一个很大的数据库,数据库作什么用?就是让机分析器在数据库内作统计分析,所用理论就是聚类分析、最优化和演化选择分析。要识别语音。就要有语音数据库,不同数据库就有不同效果,这种数据库学习效果好吗?根本不能与人相比.仔细研究人的学习过程,一个小孩学听语言和我们学听外语好像都不用数据库。我们只要听懂一个人说话,我们就能听懂其他人说话。这说明人脑学习与机器学习根本不一样。要提高机器学习的效果有两条路可走,1)是在原有基础上不断改进,使其达到或超过人脑;2)放弃现有方法,老老实实向脑学习,深入到脑中去,搞清脑的学习机理,然后再来改进机器的学习机理。第1)条道路能走通吗?其实已有几十年时间有不少人试过,没有成果。我相信J。Hawkins的`话:真正认识人类大脑是开发智能机器的必由之路1。其实Hawkins也是计算机奇才。

4.人工智能和神经系统的本质差异

关于脑的种种现象真是使人眼花缭乱,如果我们对这些现象都要逐一研究,一定会碰到头破血流.

研究脑首先要区分现有的理论与脑的本质差异是什么?只有这样才算是抓住本质.根据我们研究发现:现有的理论都是以稳定,平衡,确定性和一致性,这是线性观的思维方式,而脑是以不稳定,非平衡,不确定和非一致为其特征的系统,这也就是非线性观强调的东西.非线性系统中出现的许多现象在线性系统中是不存在的,或者说很多非线性现象从线性观来看是不可理解的。举一个例子:一个不稳定的仪器能用来捡测小信号?这是完全不可想象的事,可是脑就是利用神经系统不稳定来捡测小信号。因为,不稳定系统才存在初值敏感性,脑就是用初值敏感性来测量小信号,系统越不稳定灵敏度越高。我们如何理解这一事?我们只能抛弃现有的强调稳定和确定性的线性观,用强调不稳定和不确定的非线性观点去认识这一问题。同样我们只有抛弃确定性的线性观才能很好分析脑、理解脑.我们不知道非线性观是否能解决脑的一切,但是这是必须跨越的鸿沟。诺贝尔奖获得者I.Prigogine曾经写了一本书(确定性终结)2,书中明确指出:我们坚信,我们已经处于科学史上一个重要转折点,我们在伽利略和牛顿所开创的道路上走到了尽头。他们给我们描述了一个时间可逆的确定性宇宙的图景。我们现在却看到确定性的腐朽和物理新定理的诞生.这段话对于神经信息研究特别重要.根据我们研究经验表明,如果神经脉冲是确定性的,那么这个脑充其量是个计算机。只有有了神经脉冲的不确定性,才有自由意志(Free will)存在,才有不确定的灵感产生,只有有了神经脉冲的不确定性,才给脑带来丰富多彩的脑行为。我们不仅要习惯不确定性思维,而且要欢迎不确定性。

5.结束语

我们希望有更多的搞理工和信息科学的人参加脑研究,应该成为脑研究中主力。但是参加者应该多警惕自己有否把现有人工智能的思想带入到脑研究中来。切岂“逆向思维”这一观点影响。应该说人工智能仅仅是脑研究成果的应用,而不是研究脑的手段。搞信息科学的人只要抛弃线性观,用非线性观运用信息科学知识去分析脑和理解脑就会有成就。

如果本文只停留在文字上来谈论非线性,即使是正确的理论,但还是显得空洞。这些说法必须落实到数学模型上或电路上来,这才是真正理解非线性,理解脑。这后一步工作应该是搞理工科人的强项。我们将出版一本书,主要是具体化这些想法。只有这样才能做到脑科学研究每一进步,都将为信息科学学带来突破。

6.  

参考资料

  1.  J。 Hawkins 人工智能的未来 陕西科学技术出版社2006

  2. Prigogine I. The End ofCertainty. Time, Chaos and New Laws of Nature. New York: The Free Press; 1997.[.普利高津 1999 确定性的终结(上海:上海科技教育出版社)]




https://blog.sciencenet.cn/blog-261566-991391.html

上一篇:再论脑研究的核心问题是脑内信息过程
下一篇:脑科学研究中必须考虑的若干关键问题
收藏 IP: 218.82.164.*| 热度|

3 许培扬 都世民 clp286

该博文允许实名用户评论 评论 (2 个评论)

数据加载中...

Archiver|手机版|科学网 ( 京ICP备07017567号-12 )

GMT+8, 2024-3-19 13:28

Powered by ScienceNet.cn

Copyright © 2007- 中国科学报社

返回顶部