【重磅收藏】智源发布《人工智能的认知神经基础白皮书》

来源:brainnews

完整报告下载链接????

https://event-cdn.baai.ac.cn/20210308/2020-brain-and-machine-intelligence-report.pdf

(可点击「阅读原文」查看)

《2020年人工智能的认知神经基础白皮书》

指导老师:智源“人工智能的认知神经基础”方向首席科学家及研究员

内容纲要

一直以来,认知科学、神经科学和计算科学分别从不同的路径探索智能的本质:认知科学通过构建认知框架,预测复杂行为;神经科学通过探索神经机制,解释大脑功能;而计算科学通过模拟神经活动,实现人工智能。近年来,深度神经网络的成功,促使三门学科进一步交叉融合,将类脑的深度神经网络模型和认知神经科学实验相结合,为人工神经网络的发展提供新的思路。

智源“人工智能的认知神经基础”重大研究方向基于此研究目标,以及促进学科间交叉互启的愿景,编撰该白皮书,以期为相关领域的研究者搭建沟通的平台和桥梁,共同探索心智的奥秘,促进人工智能的可持续发展。


(左右滑动查看白皮书纲要)

导语:人工智能为什么需要认知神经科学?

1979年,在美国Kansas City机场附近的一个宾馆里,来自语言学、心理学、计算机科学、神经科学、哲学和人类学的11名学者汇聚在一起,成立了认知科学学会。直到这一刻,一个以揭秘心智(Mind)奥秘为目标的新兴学科——认知科学——以独立的学科出现在世人面前。由于认知科学是多个学科融合的结果,因此必然具有不同的方法论和术语,但是这个学科的所有研究者都坚信:“认知即信息加工,而信息加工即计算”。


这个假设的来源可以追溯到上世纪40年代末50年代初。当时,有两个在科学技术史上重大的事件发生:(1)在实践层面,逻辑学、数学和电子工程学的深度交叉孕育出了数字计算机,为人类心智提供了一个类比的实体(Metaphor);(2)在理论层面,一门关于智能体适应性行为(Adaptive Behaviors of Intelligent Agents)的新科学——控制论(Cybernetics)——诞生了,该学科从一开始就致力于将机器智能与生物智能整合在一起以探索思维的本质。这一传统,从控制论大家钱学森在晚年致力于思维科学的研究就可见一斑。因此,一般认为,控制论就是认知科学的前身。

在类比实体和理论的双重加持下,形成了以符号主义(Symbolism)为核心思想的认知科学。在这里,计算即基于规则的符号操纵(Rule-Governed Symbol Manipulations)。符号主义认知科学在50年代到80年代里取得了一系列耀眼的成果:例如,数学定理的形式化证明、计算语言学、以国际象棋为核心的问题解决、专家系统等,甚至图灵奖得主Allen Newell乐观地提出了关于认知的大一统理论(Unified Theories of Cognition)。

但是,在符号主义认知科学的上空始终有几片挥之不去的乌云,例如语音识别、语言翻译、客体识别等等。在契而不舍的努力之后,符号主义认知科学家不得不承认其局限性,即符号主义对于那些有清楚定义的知识和目标态的问题(well-posed problems)能提供较好的解决方案,而对于那些不适定的问题(ill-posed problems)则困难重重。遗憾的是,不适定的问题要远远多于适定的问题。认知哲学家Clark反思道:“我认为关于心智的任何研究不能在生物的真空中开展”。也就是说,关于心智的研究不能离开大脑这个生物基础而独立存在。于是,受生物神经网络启发的连接主义认知科学应运而生。

MP 模型

事实上,连接主义认知科学是与符号主义认知科学几乎同时出现。在上世纪40年代,美国心理学家McCulloch和数学逻辑学家Pitts模仿神经元的结构和工作原理提出了一个神经元的数学模型(MP模型);在50年代,心理学家Rosenblatt在此基础上提出了被称为感知机(Perceptron)的像人类心智一样“可感觉、可识别、可记忆和可反应”的第一个人工神经网络。在80年代,心理学家Rumelhart和McClelland参照生物神经网络提出了并行分布式加工(Parallel Distributed Processing,PDP)理论,正式宣告连接主义(Connectionism)认知科学的诞生。连接主义认知科学抛弃了符号与中央控制等符号主义认知科学的核心,强调智能来源于简单处理器的并行分布式加工。这一理念,为后来的深度学习的繁荣提供了理论基础。

近年来,通过模拟人脑神经网络的信息传递机制,深度学习技术引发了人工智能的第三次浪潮,其终极目标是研究使计算机来模拟人的思维过程和智能行为(如学习、推理、思考、规划等),制造类似于人脑智能的机器。但是与生物大脑所代表的生物智能相比,当前的深度学习还存在解释能力不足、鲁棒性差、泛化能力弱等制约人工智能技术深度应用的问题。为了实现这个目标,理解构成智能必要的元素,必须研究人和动物智能的载体、生物大脑的本身结构以及其运行方式。

伴随着解析大脑和神经系统的连接方式及工作原理的先进技术的发展,如高时空分辨率的生物荧光成像和特异性荧光探针技术,人们对于不同层次上的神经活动发生机制有了进一步深度解读。例如,突触水平上,马普佛罗里达神经研究所的Fitzpatrick研究组通过光电联合实验,研究雪貂的初级视皮层神经元发现,不同刺激激活的全部突触(包括强、弱突触)共同“投票”所决定其神经元选择特异性,挑战了赫布理论所认为的强突触调控神经元选择特异性的决定性作用。神经元水平上,Allen Brain Observatory的Koch和Reid研究组通过分析大规模标准化神经活动数据,揭示小鼠视皮层中存在大量低特异性神经元,表明之前的视觉神经元-特定视野空间-特定特征的视觉信息模型的局限性。在视觉系统上, Koch和Olsen研究组,通过构建新型的神经电信号记录系统和神经像素电极阵列(Neuropixels),成功观察到了小鼠视觉系统存在如灵长类一样的功能层级活动。

与此同时,新技术的发展正在产生海量的数据,使得大脑与人工智能算法的交互变得越来越重要。HHMI的Stringer等人对小鼠视觉系统进行了大规模的神经记录,发现其群编码在高效和保持泛化性之间进行了权衡,而利用了该原理的人工神经网络具有更好的鲁棒性。另外,MIT的Dapello等人发现在传统神经网络前面加入一个模拟大脑初级视觉皮层的模型也可以提高其鲁棒性。借鉴小动物的神经环路设计也许可以帮助我们设计更高效的人工智能系统。例如,MIT的Lechner等人借鉴了秀丽线虫的神经系统中神经元的动态特性、连接的稀疏性和反馈结构,在跟踪道路的自动驾驶任务中比传统神经网络具有更好的鲁棒性和可解释性。

在当下人工智能的浪潮中,人类社会似乎从来没有像如今这样对“研究心灵本质”这个古老的问题产生过如此浓厚的兴趣,Stephen Hawking曾经说过,“Intelligence is the ability to adapt to change”。长久以来,神经科学、认知科学与计算学科分别从不同的路径来探索智能本质的,神经科学聚焦于大脑如何进行信息加工,力图阐明复杂行为之下的机制和物理实现形式;认知科学研究研究人类的心智和认知过程,通过构建认知框架,预测复杂行为,揭示智能的产生机制;而计算科学通过模拟神经活动,实现人工智能。科学家们在多学科交叉领域相互沟通交流借鉴,可以从研究技术、揭示机制以及计算原理等方面来相互启发,促进不同学科的螺旋式相生相长。学科的交叉碰撞出炫丽的火花,帮助研究人员更好地理解大脑工作的硬件、算法和实现,了解神经疾病背后机理并找到治疗方案,真正实现终极目标:“Know yourself”。

在2020年9月,来自系统神经科学、认知神经科学、计算神经科学的六位学者和一群年轻的博士后在智源研究院相聚,期望利用“人工智能的认知神经基础”重大研究方向的多学科交叉基础,为探索心智的奥秘做一点原创的贡献。这本白皮书总结了过去一年间在这些交叉前沿领域的一些重要探索和发现,以期更好地为相关领域的研究者搭建沟通的平台和桥梁。我们坚信,这小小的一步,会是组成我国认知科学将来大步向前不可或缺的组成部分。

未来智能实验室的主要工作包括:建立AI智能系统智商评测体系,开展世界人工智能智商评测;开展互联网(城市)云脑研究计划,构建互联网(城市)云脑技术和企业图谱,为提升企业,行业与城市的智能水平服务。

  如果您对实验室的研究感兴趣,欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/485122.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

ConcurrentHashMap源码剖析(1.8版本)

目录 ConcurrentHashMap源码剖析数据结构NodeForwardingNodeTreeNodeTreeBin核心成员核心函数ConcurrentHashMap(int initialCapacity)initTableputgettreeifyBintryPresizetransferaddCountConcurrentHashMap源码剖析 基于jdk1.8。 参考文章: https://yq.aliyun.co…

2021十大关键显示科技趋势

来源:国际信息显示学会SID排版:珊妮作者:Sri Peruvemba,CEO,Marketer International Inc.翻译:SID China2021年显示技术正在发生巨变,随着我们进入未来十年,我们将拥有更加智能、紧凑…

科技议题“破圈”有利还是有弊|观点

编辑:赵路排版:郭刚作者:李侠最近几年时常出现科技议题进入社会领域并引起社会广泛关注的现象,学界通常将之称为“破圈”,即议题突破科技界原有的狭小圈子而进入更大的社会领域,并引来社会热议。客观地说&a…

学术研究发现英特尔 CPU 存在新漏洞

作者:Thomas Claburn译者:Sambodhi策划:施尧美国的芯片黑客又想出了一种方法,利用英特尔的处理器设计选择来窃取敏感数据。伊利诺伊大学香槟分校的博士生 Riccardo Paccagnella、硕士生 Licheng Luo 和助理教授 Christopher Fletc…

Leetcode--994. 腐烂的橘子(java)

在给定的网格中,每个单元格可以有以下三个值之一: 值 0 代表空单元格; 值 1 代表新鲜橘子; 值 2 代表腐烂的橘子。 每分钟,任何与腐烂的橘子(在 4 个正方向上)相邻的新鲜橘子都会腐烂。 返回直…

CICC科普栏目丨时间之箭:从熵到大爆炸再到万物理论(一)

来源:BBC转自:数学加油吧假设有这么一天,你在家里感到无聊,你把几个鸡蛋顶在头上表演起杂耍,但你的表演不太成功,鸡蛋打碎糊了你一脸。现在你将不得不去洗下脸再冲个澡,然后换上一身新衣服。那为…

只有这种AI芯片才能拯救人工智能?

来源:内容由半导体行业观察(ID:icbank)编译:「wired」人工智能不断发展,对保持AI运行所需的计算能力的渴望也与日俱增。Lightmatter,一家诞生于MIT的初创公司,他们正在押注一款使用光…

CSS 小结笔记之文字溢出处理

有时文字会溢出盒子,这时一般要对文字进行溢出处理。一般有以下三种处理方法: 1、word-break:normal | break-all |keep-all normal 使用浏览器默认的换行 break-all 允许单词内换行即允许单词拆开显示 keep-all 不允许拆开单词显示,连字符除…

GPT-2大战GPT-3:OpenAI内部的一场终极对决

作者:Kevin Vu译者:Sambodhi策划:刘燕由于在训练过程中使用的数据集的多样性,我们可以为来自不同领域的文本获得足够的文本生成。GPT-2 的参数和数据是其前代 GPT 的 10 倍。而 GPT-3 又是 GPT-2 的 10 倍。那么问题来了&#xff…

AI解梦成为现实,贝尔实验室新算法尝试找到梦境的隐藏含义

文章来源: 学术头条古代巴比伦人认为梦境包含了预言,而古埃及人则将梦境视为神灵给予的信息来崇拜。在 19 世纪 90 年代,西格蒙德弗洛伊德(Sigmund Freud)为梦境里面的人物、物体和场景分配了象征意义,并着…

个人项目:wc程序(java)

Github项目地址:https://github.com/jat0824/wc.git 项目相关要求 wc.exe 是一个常见的工具,它能统计文本文件的字符数、单词数和行数。这个项目要求写一个命令行程序,模仿已有wc.exe 的功能,并加以扩充,给出某程序设计…

【剑指offer】面试题35:复杂链表的复制(Java)

请实现 copyRandomList 函数,复制一个复杂链表。在复杂链表中,每个节点除了有一个 next 指针指向下一个节点,还有一个 random 指针指向链表中的任意节点或者 null。 示例 1: 输入:head [[7,null],[13,0],[11,4],[10,2…

【综述专栏】图神经网络综述

来源:图灵人工智能作者:王健宗等https://wwwihcm/people/euu-lin-jun-7原文链接:https://kns.cnki.net/kcms/detail/31.1289.tp.20201123.1641.002.html摘要:随着计算机行业和互联网时代的不断发展与进步,图神经网络已…

HDFS设计思想

HDFS设计思想 DataNode:用来在磁盘上存储数据 HDFS 数据存储单元( block ) 1 文件被切分成固定大小的数据block块 •默认数据块大小为 64MB(hadoop1.x版本64M,2.x为128M) ,可配置 •若文件大小不到 64MB &#xff…

被认为是世界史上50个最伟大的发明有哪些?

来源:数学中国根据美国《大西洋月刊》杂志邀请了世界上12位科学家、技术史专家、工程师、企业高管组成的专家团为世界遴选自车轮(车轮的广泛使用一般被认为始于6000年前)问世后的50个最伟大的发明。其中,中国的四大发明均在其中。…

“NP问题是可计算的吗?” - 从“可计算性”的角度审视NP

来源:图灵人工智能转自 http://blog.sciencenet.cn/u/liuyu2205P vs NP世纪难题显示出在现有的计算机理论中存在着令人不安的困惑:一方面,书本中的NP问题理论部份无论是学习或教学都感到困难,以至于人们不得不一次又一次回头去重新…

GPT-3和AlphaFold 2震撼2020,2021年AI最大看点在哪儿?

来源:机器学习研究组订阅2020年并不缺重磅新闻,但人工智能依然够杀出重围,走进主流视野。尤其是GPT-3,它展示了人工智能即将以全新的方式深入我们的日常生活。这些进步赋予了未来很多可能,预测未来变得并不容易&#x…

宇宙与无限之谜

文:Alan Lightman译:Sue校对:Rachel在博尔赫斯(Jorge Luis Borges)的《沙之书》(The Book of Sand)中,一个神秘的传教者敲开了故事主人公的门,想要卖给他一本圣书。这本书…

微软、IBM们的中国研究院是怎样一步步“躺平”的?

来源: 脑极体IBM中国研究院关闭的消息,又让大家想起了曾经甲骨文、微软、Adobe等外企研究机构离华的新闻。从上世纪末本世纪初来华,十多年情缘突然宣告分手,固然是遗憾的,也更令人好奇背后的原因。公司业绩表现不佳、研…

斯坦福 AI 课程 10 年发展史

作者:Rachel Oh 、Peter Maldonado转自:机器之心编辑:杜伟、小舟在人工智能领域,斯坦福大学的很多课程都颇受欢迎,如 CS 224N 深度学习自然语言处理和 CS 229 机器学习。这些课程如何一步步发展成为今天的热门课程&…