1. 研究揭示了人工智能工具在诊断女性健康问题时存在的偏见

王晓丽

佛罗里达大学的研究人员发现，旨在诊断一种影响妇女的常见感染的机器学习算法在不同种族群体中显示出诊断偏差。 虽然人工智能工具为改善医疗服务提供了巨大潜力，但从业人员和科学家警告说，它们有可能使种族不平等永久化。 这篇论文发表在周五的《自然》杂志《数字医学》上，是第一篇评估这些工具在妇女健康问题上的公平性的论文。 "J. Crayton Pruitt Family 生物医学工程系副教授、该研究的作者方若谷（Ruogu Fang）说："机器学习可以成为医疗诊断中的一个重要工具，但我们发现它可能会对不同种族群体产生偏见。 "这对女性健康来说是个警示，因为目前已经存在因种族而异的差异"。 研究人员评估了机器学习在诊断细菌性阴道病（BV）方面的公平性，这是一种影响育龄妇女的常见疾病，在不同种族群体之间存在明显的诊断差异。 方方和共同通讯作者伊万娜-帕克（Ivana Parker）都是赫伯特-韦特海姆工程学院（Herbert Wertheim College of Engineering）的教师，她们从400名妇女中提取了数据，其中白人、黑人、亚裔和西班牙裔各100人。 研究人员说，在研究四种机器学习模型预测无症状妇女乳腺癌的能力时，不同种族的准确性各不相同。 西班牙裔妇女的假阳性诊断率最高，而亚裔妇女的假阴性诊断率最高。

展开更多

发布时间: 2023-11-29

2. 医疗人工智能工具获得人类青睐

王晓丽

发表在《自然》（Nature）杂志《npj 数字医学》（npj Digital Medicine）上的论文，为人工智能以突破性的效率支持医疗工作者打开了大门。 研究人员训练超级计算机根据新模型 GatorTronGPT 生成医疗记录，该模型的功能与 ChatGPT 相似。 GatorTron? 模型的免费版本在开源人工智能网站 Hugging Face 上的下载量已超过 43 万次。 GatorTron? 模型是该网站唯一可用于临床研究的模型，文章的第一作者、来自 UF 医学院健康结果与生物医学信息学系的吴永辉博士说。 "在医疗保健领域，每个人都在谈论这些模型。GatorTron? 和 GatorTronGPT 是独特的人工智能模型，可以为医学研究和医疗保健的许多方面提供动力。然而，它们的建立需要海量数据和强大的计算能力。我们非常感谢英伟达?（NVIDIA®）提供的超级计算机HiPerGator，以探索人工智能在医疗保健领域的潜力。 UF 校友、英伟达?（NVIDIA®）联合创始人 Chris Malachowsky 是 UF 新的 Malachowsky 数据科学与信息技术大厅的命名者。 这座耗资1.5亿美元的建筑由UF和英伟达公司共同出资建造。 2021 年，UF 利用英伟达提供的价值数百万美元的基础设施包将其 HiPerGator 超级计算机升级为精英级，这在大学中尚属首次。 在这项研究中，吴和他的同事们开发了一种大型语言模型，可以让计算机模仿人类的自然语言。 这些模型在标准写作或对话中效果很好，但医疗记录带来了额外的障碍，比如需要保护病人的隐私，而且技术性很强。 数字医疗记录不能在谷歌上搜索，也不能在维基百科上共享。 为了克服这些障碍，研究人员剥离了 UF Health 医疗记录中 200 万名患者的身份信息，同时保留了 820 亿个有用的医学词汇。 他们将这一数据集与另一个包含 1,950 亿个单词的数据集结合起来，训练出 GatorTronGPT 模型，利用 GPT-3 架构（即生成预训练变换器，一种神经网络架构）分析医疗数据。

展开更多

发布时间: 2023-11-29

3. Synopsys 借助 OpenAI 实现云中的生成式人工智能副驾驶员

王晓丽

Synopsys 正与微软合作开发用于芯片设计的生成式人工智能辅助工具。 早期客户正在使用的 Synopsys.ai Copilot 在 Azure OpenAI 服务上运行，以自然语言为芯片设计团队提供生成式人工智能支持。Copilot 是 Synopsys 计划中的第一款生成式人工智能功能，旨在学习新技能并与团队共同成长，从而提高设计生产力。 "半导体行业正在竞相开发更快、更高效、更优化的计算，这也推动了复杂性的提高。与此同时，预计到2030年，我们将面临15%至30%的芯片设计工程师缺口，"Synopsys EDA集团总经理Shankar Krishnamoorthy说。 Synopsys 将在设计工具中加入生成式人工智能 第二届生成式人工智能芯片设计竞赛 Nvidia 老板建议将生成式 AI 用于芯片制造 "人工智能驱动的设计有助于应对这些挑战。Synopsys 凭借 Synopsys.ai EDA 套件开创了人工智能驱动设计的先河。他说："现在，我们与微软合作，通过首款Synopsys.ai Copilot提供的对话智能等生成能力，将人工智能驱动的设计提升到一个新的水平。 Synopsys于2022年利用Azure推出了业界首款基于云的SaaS EDA工具，但开发人员仍然担心将基于云的服务用于机密芯片设计。云功能允许Copilot工具部署在任何内部部署或云端环境中，并集成了Microsoft Azure按需高性能计算基础架构，其可用性、经济性和容量可处理高级芯片设计和验证应用的人工智能工作负载。 "微软公司副总裁Corey Sanders表示："我们与Synopsys的合作建立在通过云和人工智能加速半导体创新的共同愿景之上。"微软的工程团队与 Synopsys 紧密合作，将生成式 AI 的变革力量引入 EDA，这将为使用 Synopsys.ai Copilot 的半导体设计工程师提供基于 Microsoft Azure 的最佳 AI 基础架构、模型和工具链。"

展开更多

发布时间: 2023-11-29

4. 人工智能和机器学习可以成功诊断多囊卵巢综合征

袁晨

美国国立卫生研究院的研究回顾了25年的数据，发现人工智能/机器学习可以检测到常见的激素紊乱。 根据美国国立卫生研究院的一项新研究，人工智能(AI)和机器学习(ML)可以有效地检测和诊断多囊卵巢综合征(PCOS)，这是女性中最常见的激素失调，通常在15至45岁之间。研究人员系统地回顾了已发表的使用AI/ML分析数据来诊断和分类PCOS的科学研究，发现基于AI/ML的程序能够成功检测PCOS。 美国国家环境健康科学研究所(NIEHS)的高级研究员和内分泌学家Janet Hall医学博士说:“鉴于社区中PCOS诊断不足和误诊的巨大负担及其潜在的严重后果，我们希望确定AI/ML在识别可能有PCOS风险的患者中的应用。”NIEHS是美国国立卫生研究院的一部分，也是该研究的合著者。“人工智能和机器学习在检测多囊卵巢综合征方面的效果比我们想象的还要令人印象深刻。” 多囊卵巢综合征发生时，卵巢不能正常工作，并在许多情况下，伴随着睾丸激素水平升高。这种疾病会导致月经不规律、痤疮、面部毛发过多或脱发。患有多囊卵巢综合征的女性患2型糖尿病、睡眠、心理、心血管和其他生殖疾病(如子宫癌和不孕症)的风险通常会增加。 该研究的资深作者、NIEHS的助理研究医师和内分泌学家Skand Shekhar博士说:“鉴于多囊卵巢综合征与其他疾病的重叠，诊断多囊卵巢综合征可能具有挑战性。”“这些数据反映了将AI/ML纳入电子健康记录和其他临床环境以改善多囊卵巢综合征女性的诊断和护理的未开发潜力。” 研究作者建议将基于人群的大型研究与电子健康数据集结合起来，并分析常见的实验室测试，以确定能够促进多囊卵巢综合征诊断的敏感诊断生物标志物。 诊断基于多年来发展的广泛接受的标准化标准，但通常包括临床特征(如痤疮，毛发生长过多和月经不规律)，伴有实验室(如高血睾酮)和放射学表现(如卵巢超声显示多个小囊肿和卵巢体积增大)。然而，由于多囊卵巢综合征的一些特征可能与其他疾病如肥胖、糖尿病和心脏代谢疾病共同发生，因此它经常被忽视。 人工智能指的是使用基于计算机的系统或工具来模仿人类的智能，并帮助做出决策或预测。ML是AI的一个分支，专注于从以前的事件中学习，并将这些知识应用于未来的决策。人工智能可以处理大量不同的数据，例如来自电子健康记录的数据，使其成为诊断多囊卵巢综合征等难以诊断的疾病的理想辅助工具。 研究人员对过去25年(1997-2022年)发表的关于该主题的所有同行评审研究进行了系统回顾，这些研究使用AI/ML检测多囊卵巢综合征。在一位经验丰富的NIH图书管理员的帮助下，研究人员确定了可能符合条件的研究。他们总共筛选了135项研究，其中31项被纳入了论文。所有研究都是观察性的，并评估了AI/ML技术在患者诊断中的应用。大约一半的研究包括超声图像。研究参与者的平均年龄为29岁。 在采用标准化诊断标准诊断PCOS的10项研究中，检测准确率在80-90%之间。 Shekhar说:“在一系列诊断和分类模式中，人工智能/机器学习在检测多囊卵巢综合征方面表现非常出色，这是我们研究中最重要的收获。” 作者指出，基于人工智能/机器学习的项目有可能显著提高我们早期识别多囊卵巢综合征女性的能力，节省相关成本，减轻多囊卵巢综合征患者和卫生系统的负担。 具有强大验证和测试实践的后续研究将允许人工智能/机器学习在慢性健康状况中的顺利整合。

展开更多

发布时间: 2023-11-29

5. 利用人工智能追踪冰山

袁晨

研究人员正在使用一种新的人工智能工具来探测南大洋的冰山。这是能够通过卫星数据追踪南极洲大多数冰山完整生命周期的第一步。这项名为“从双极化SAR图像中检测海冰内冰山数量的无监督机器学习”的研究发表在《环境遥感》杂志上。 冰山在海洋动力学中起着关键作用。例如，当冰山融化时，它们向海洋释放淡水和营养物质，影响初级生产力、海洋环流以及海冰的形成和破裂。冰山也会给船只带来危险，所以关于冰山位置和大小的准确、最新的知识是至关重要的。 这种新方法可以在有很多海冰的环境中识别冰山，这在以前是不可能的。利用这一工具，科学家们将能够在冰山崩解时发现它们，并在它们的整个生命周期中追踪它们，直到它们消亡，从而更全面地了解南大洋冰山的动态。至关重要的是，研究人员将能够监测海冰丰富的地方的冰山，以及靠近冰山密集聚集的产冰地点的冰山。 为了探测冰山，该工具使用了合成孔径雷达(SAR)的数据，这是一种安装在哨兵1号卫星上的仪器，它从太空传输微波信号并测量反射辐射的强度。由于冰山表面冰雪的结晶结构，冰山是很好的微波反射体，所以它们在卫星图像中显示出强烈明亮的信号。使用微波也意味着这些图像可以在白天或晚上通过云层收集，这在南大洋上很常见。 在这项研究中，研究人员在2019年10月至2020年9月的12个月期间拍摄的不同卫星图像上展示了人工智能算法的性能。该工具确定了近3万座冰山;其中大多数相对较小，面积为1平方公里或更小。 研究人员选择了位于南极洲西部的Amundsen 海海湾作为他们的研究地点，这里靠近斯韦茨冰川的产冰前沿。该地区混合了开放水域、海冰和不同大小的高密度冰山，使其成为测试人工智能工具的理想场所。了解南极西部冰盖，特别是这一地区将如何变化，是研究未来海平面上升的研究人员的首要任务。 Ben Evans是英国南极调查局(BAS)人工智能实验室的一员，也是该论文的主要作者，他说:“我们用来开发这种工具的技术已经被广泛用于医学成像，所以我们很高兴将同样的技术应用于极地海洋SAR卫星图像中看到的复杂特征。” “我们使用的方法与其他替代的冰山检测方法一样准确，并且在不需要人工输入的情况下优于大多数方法。这意味着它可以很容易地扩展到我们的研究区域之外，甚至可以提供近乎实时的监测。” 冰盖上的冰山崩解进入南大洋是南极冰盖冰流失的主要方式之一。因此，不断增加的冰裂可能标志着对海平面上升的贡献越来越大。研究人员希望利用这种人工智能方法来识别冰山数量、大小和路径的任何变化，这些都是气候变化的预期后果。该团队目前正在分析自2014年哨兵1号任务开始以来所有可用的数据。 Scott Hosking是阿兰·图灵研究所人工智能实验室的负责人，也是图灵研究与创新集群的联合主任，他说:“由于复杂的物理学以及海洋、冰和大气之间的相互作用，监测和预测有多少数十亿吨的冰融化到世界海洋中是一项重大挑战。我们正在开发南极的数字孪生体，以帮助整合和共享我们的极地基础设施和工具(从自动水下航行器到人工智能模型)的数据，以支持决策，并使英国保持在极地科学的前沿。”

展开更多

发布时间: 2023-11-29

6. 以人工智能为指导，更好地制造过氧化物太阳能电池

王晓丽

与传统的硅太阳能电池相比，基于过氧化物半导体的太阳能电池能更有效地将太阳光转化为电能。为了使这项技术能够投放市场，需要进一步改进稳定性和制造工艺。 卡尔斯鲁厄理工学院（KIT）和两个亥姆霍兹平台--德国癌症研究中心（DKFZ）的亥姆霍兹成像公司和亥姆霍兹人工智能公司--的研究人员成功地找到了一种方法，可以预测过氧化物层的质量，进而预测太阳能电池的质量。在机器学习和人工智能（AI）新方法的帮助下，可以在生产过程中通过光发射的变化来评估太阳能电池的质量。 这些结果可用于推导出更好的制造工艺，已发表在《先进材料》（Advanced Materials）上。 透镜串联太阳能电池将透镜太阳能电池与传统太阳能电池（例如基于硅的太阳能电池）结合在一起。这些电池被认为是下一代技术： 目前，它们的效率超过 33%，远高于传统硅太阳能电池。此外，它们使用的原材料价格低廉，易于制造。要达到这样的效率水平，必须生产极薄的高级过氧化物层，其厚度仅为头发丝的一小部分。 "在 KIT 微结构技术研究所和光技术研究所从事研究的终身教授 Ulrich W. Paetzold 说："使用低成本和可扩展的方法制造这种没有任何缺陷或孔洞的高级多晶体薄层是最大的挑战之一。 即使在看似完美的实验室条件下，也可能存在导致半导体层质量变化的未知因素。"这一缺陷最终阻碍了这些高效太阳能电池工业化生产的快速启动，而这正是能源转型所急需的。" 人工智能发现有效镀膜的隐藏迹象 为了找到影响镀膜的因素，由 KIT 的包晶体太阳能电池专家组成的跨学科团队与海德堡 DKFZ 的亥姆霍兹成像和亥姆霍兹人工智能的机器学习和可解释人工智能 (XAI) 专家联手合作。研究人员开发了人工智能方法，利用一个庞大的数据集对神经网络进行训练和分析。该数据集包括视频记录，显示了制造过程中包晶石薄层的光致发光。 光致发光是指半导体层在外部光源激发下的辐射发射。"来自 DKFZ Helmholtz Imaging 公司的 Lukas Klein 和 Sebastian Ziegler 解释说："由于即使是专家也看不出薄层上有什么特别之处，因此我们产生了训练机器学习（深度学习）人工智能系统的想法，以便从视频中的数百万个数据项中检测出涂层好坏的隐藏迹象。 为了过滤和分析深度学习人工智能系统输出的广泛分散的迹象，研究人员随后采用了可解释人工智能的方法。 研究人员通过实验发现，光致发光在生产过程中会发生变化，而这种现象会对涂层质量产生影响。"Klein 和 Ziegler 说："我们工作的关键是有针对性地使用 XAI 方法，以了解必须改变哪些因素才能获得高质量的太阳能电池。 这不是通常的方法。在大多数情况下，XAI 只被用作一种护栏，以避免在建立人工智能模型时出现错误。"这是一种范式的改变： 以如此系统的方式获得与材料科学高度相关的见解是一种全新的体验"。 事实上，正是从光致发光变化中得出的结论让研究人员得以迈出下一步。在对神经网络进行了相应的训练之后，人工智能能够根据制造过程中哪个环节出现的光发射变化，预测每块太阳能电池的效率是低还是高。 参考文献: Lukas Klein et al, Discovering Process Dynamics for Scalable Perovskite Solar Cell Manufacturing with Explainable AI, Advanced Materials (2023). DOI: 10.1002/adma.202307160

展开更多

发布时间: 2023-11-29

7. 加速人工智能任务，同时保护数据安全

王晓丽

随着计算密集型机器学习应用（如执行实时语言翻译的聊天机器人）的激增，设备制造商通常会采用专用硬件组件来快速移动和处理这些系统所需的海量数据。 为这些被称为深度神经网络加速器的组件选择最佳设计极具挑战性，因为它们可能有大量的设计选项。如果设计者希望增加加密操作以保护数据安全，避免受到攻击，这个难题就会变得更加棘手。 现在，麻省理工学院的研究人员开发出了一种搜索引擎，可以有效识别深度神经网络加速器的最佳设计，在提高性能的同时保护数据安全。 他们的搜索工具被称为 "SecureLoop"，旨在考虑增加数据加密和验证措施将如何影响加速器芯片的性能和能耗。工程师可以利用该工具获得针对其神经网络和机器学习任务的最佳加速器设计。 与不考虑安全性的传统调度技术相比，SecureLoop 可以提高加速器设计的性能，同时保护数据。 使用SecureLoop可以帮助用户提高要求苛刻的人工智能应用（如自动驾驶或医学图像分类）的速度和性能，同时确保敏感的用户数据免受某些类型的攻击。 "如果你想在进行计算时保护数据的安全，那么我们以前用来寻找最优设计的规则现在已经被打破了。因此，所有的优化都需要针对这一新的、更复杂的约束条件进行定制。麻省理工学院计算机科学和电子工程实践教授、SecureLoop 论文的共同作者乔尔-埃默（Joel Emer）说："这就是（第一作者）Kyungmi 在这篇论文中完成的工作。 与埃默共同撰写论文的还有论文第一作者、电气工程与计算机科学研究生李京美（Kyungmi Lee），电气工程与计算机科学霍默-伯内尔职业发展助理教授、计算机科学与人工智能实验室（CSAIL）成员严孟嘉（Mengjia Yan），以及资深作者、麻省理工学院工程学院院长、电气工程与计算机科学范内瓦尔-布什（Vannevar Bush）教授阿南塔-钱德拉卡桑（Anantha Chandrakasan）。这项研究将在 IEEE/ACM 微体系结构国际研讨会上发表。

展开更多

发布时间: 2023-11-29

8. 6G和医学中的人工智能

袁晨

移动手术机器人能够帮助缩小医疗保健方面的差距吗?Rhineland-Palatinate工业大学Kaiserslautern-Landau(RPTU)和DFKI的研究人员正在解决这个问题。他们正在使用未来的移动通信标准6G，将机器人技术与人工智能方法相结合。他们的目标是:进行一项分析，展示遥控机器人在外科手术中的潜力，并确定人工智能和通信网络的要求。他们将于11月13日至16日在德国 Düsseldorf 举行的Medica医疗技术贸易博览会上，在3号馆E80展位的Rhineland-Palatinate研究展台上展示他们的研究成果。 在手术中使用机器人并不是一个全新的想法。创新之处在于使这些系统可以远程或移动操作。项目负责人Marc Ruffing在DFKI进行“智能网络”研究，在RPTU担任“无线电通信和导航主席”，他概述了所涉及的挑战:“到目前为止，执行操作的人必须在手术室附近，因为远程控制机器人的移动使用由于此类系统的规模和基础设施尚不实用。此外，系统的控制并不直观。操作人员在屏蔽屏幕上使用操纵杆。自然运动和触觉反馈都缺失了。与人类不同，机器人不够敏感。” 对延迟的高要求 Ruffing和他的团队已经将克服这些障碍作为他们的研究任务。为了做到这一点，他们使用了一个由两个协作机器人手臂组成的演示器，因此代表了一个经典的设置。一只机械臂可以由人手通过另一只的引导来控制。该系统以力反馈的形式实现虚拟触觉反馈，从被控机械臂传递到被控机械臂。这让控制型的人感觉到他们在做什么。两个机器人之间的通信通过网络进行。在传输过程中没有大型数据包——问题的关键是相当不同的:“特别是在远程控制操作等高度敏感的活动的情况下，特别适用于高延迟要求。实施手术的人发出的控制命令必须毫不拖延地到达治疗地点，”团队负责人Christoph Lipps解释说。“这就是为什么我们使用测试场景来指定未来6G移动通信标准在实时控制方面必须满足的要求。” 让控制更“自然” 与此同时，该团队正在研究如何使用智能技术来改善系统的运行。除此之外，他们正在测试一种基于近红外的动作捕捉系统。这使得像手这样的物体及其运动可以在空间中以毫米级的精度被捕获。这将消除对不自然的操纵杆控制的需求。还可以将人机接口(脑机接口，BMI)集成到系统中。“通过使用脑电图或近红外光谱来测量一个人的脑电波，我们可以获得有关他们精神状态的数据，”该团队的研究助理Matthias Rüb说。“人工神经网络，一种机器学习领域的应用程序，负责分析。它扫描脑机接口测量的数据，并为它们分配精神状态。例如，如果医生的注意力减少或他的压力水平增加，就会发出警告信息。 对“Open6GHub”的贡献 该团队将利用该项目的结果来填写手术机器人实时远程控制的规范。“我们不是在开发医疗设备，”Ruffing 总结道。“相反，我们感兴趣的是定义6G和人工智能的需求，以便将该技术投入使用，例如，以移动手术室的形式或内置到救护车中。” 该项目位于“Open6GHub”框架下，由Hans Dieter Schotten教授协调，他是DFKI智能网络研究领域的负责人，也是RPTU无线电通信与导航系主任。除了RPTU和DFKI之外，其他大学和研究机构也参与了该项目。在研究联盟中，合作伙伴希望为整体6G架构的发展做出贡献，并在以下领域推出端到端解决方案，其中包括:具有高度敏捷的所谓有机网络的先进网络拓扑，安全性和弹性，太赫兹和光子传输方法，网络中的传感器功能及其智能使用和进一步处理，以及特定应用的无线电协议。 在此过程中，研究人员对对话和合作持开放态度。Schotten说:“我们正在寻求尽早与公众进行互动对话，同时也准备好与行业和用户合作。”“为此，我们将设立开放实验室和开放实验场。最后但同样很重要的是，我们希望通过让中小企业和初创企业及其成果参与进来，促进开放的创新体系。”

展开更多

发布时间: 2023-11-29

9. 人工智能系统自我组织，开发出复杂生物大脑的特征

王晓丽

发表于《自然-机器智能》（Nature Machine Intelligence）的一项研究中，阿赫特伯格、阿卡尔卡及其同事创建了一个人工系统，旨在模拟一个非常简化的大脑模型，并应用了物理约束。他们发现，他们的系统进而发展出了某些与人类大脑相似的关键特征和策略。 该系统使用的是计算节点，而不是真正的神经元。神经元和节点的功能类似，都是接收输入、转换输入并产生输出，而且单个节点或神经元可能连接多个其他节点或神经元，所有输入的信息都要进行计算。 然而，在他们的系统中，研究人员对系统施加了 "物理 "限制。每个节点在虚拟空间中都有一个特定的位置，两个节点离得越远，它们就越难沟通。这与人脑中神经元的组织方式类似。 研究人员给该系统布置了一个简单的任务--在这种情况下，它要完成的是一个简化版的迷宫导航任务，通常是在研究大脑时给大鼠和猕猴等动物布置的任务，它必须结合多种信息来决定到达终点的最短路线。 研究小组选择这项特殊任务的原因之一是，要完成这项任务，系统需要保持一系列要素--起始位置、终点位置和中间步骤--一旦学会可靠地完成任务，就有可能在试验的不同时刻观察到哪些节点是重要的。例如，一个特定的节点集群可能编码终点位置，而其他节点集群则编码可用路线，因此可以跟踪哪些节点在任务的不同阶段处于活动状态。 起初，系统不知道如何完成任务并会犯错。但当系统得到反馈后，它就会逐渐学会如何更好地完成任务。它通过改变节点间连接的强度来学习，这与我们学习时脑细胞间连接强度的变化类似。然后，系统会一遍又一遍地重复任务，直到最终学会正确执行任务。 然而，在他们的系统中，物理限制意味着两个节点离得越远，就越难根据反馈在两个节点之间建立连接。在人脑中，跨越较大物理距离的连接的形成和维持都非常昂贵。 当系统被要求在这些限制条件下执行任务时，它使用了一些与真实人脑相同的技巧来解决任务。例如，为了绕过这些限制，人工系统开始发展集线器--高度连接的节点，作为整个网络传递信息的通道。 然而，更令人惊讶的是，单个节点本身的反应特征也开始发生变化：换句话说，系统中的每个节点不再为迷宫任务的某一特定属性（如目标位置或下一个选择）编码，而是发展出一种灵活的编码方案。这就意味着，在不同的时刻，节点可能会对迷宫的各种属性进行编码。例如，同一个节点可以对迷宫的多个位置进行编码，而不需要专门的节点对特定位置进行编码。这是复杂生物大脑的另一个特点。

展开更多

发布时间: 2023-11-29

10. 人工智能系统自我组织，发展出复杂生物大脑的特征

袁晨

剑桥大学的科学家们已经证明，给人工智能系统施加物理限制——就像人类大脑必须在物理和生物限制下发展和运作一样——可以让它发展出复杂生物大脑的特征，从而解决任务。 当大脑等神经系统自我组织并建立联系时，它们必须平衡相互竞争的需求。例如，在物理空间中发展和维持网络需要能源和资源，同时优化网络以进行信息处理。这种权衡塑造了物种内和物种间所有的大脑，这也许有助于解释为什么许多大脑会趋同于类似的组织解决方案。 来自剑桥大学医学研究委员会认知与脑科学部门(MRC CBSU)的盖茨学者Jascha Achterberg说:“大脑不仅擅长解决复杂的问题，而且只消耗很少的能量。”在我们的新工作中，我们表明，考虑到大脑解决问题的能力以及它尽可能少地消耗资源的目标，可以帮助我们理解大脑为什么是这样的。” 同样来自MRC CBSU的共同主要作者Danyal Akarca博士补充说:“这源于一个广泛的原则，即生物系统通常会进化到充分利用它们可用的能量资源。”他们得出的解决方案通常非常优雅，反映了施加在他们身上的各种力量之间的权衡。” 在今天发表在《自然机器智能》上的一项研究中，Achterberg、Akarca和同事们创造了一个人工系统，旨在模拟一个非常简化的大脑，并应用物理约束。他们发现，他们的系统继续发展出与人类大脑相似的某些关键特征和策略。 该系统没有使用真正的神经元，而是使用计算节点。神经元和节点在功能上是相似的，因为每个节点都接受输入，转换它，并产生输出，单个节点或神经元可能连接到多个其他节点或神经元，所有输入信息都要计算。 然而，在他们的系统中，研究人员对系统施加了“物理”约束。每个节点在虚拟空间中都有一个特定的位置，两个节点距离越远，它们之间的通信就越困难。这与人类大脑中神经元的组织方式相似。 研究人员让系统完成一个简单的任务——在这种情况下，这是一个简化版的迷宫导航任务，通常是在研究大脑时交给老鼠和猕猴等动物的，在那里它必须结合多条信息来决定到达终点的最短路线。 团队选择这个特定任务的原因之一是，为了完成它，系统需要保持一些元素——开始位置、结束位置和中间步骤——一旦它学会了可靠地完成任务，就有可能在试验的不同时刻观察到哪些节点是重要的。例如，一个特定的节点集群可能对终点位置进行编码，而其他节点可能对可用路线进行编码，并且可以跟踪哪些节点在任务的不同阶段处于活动状态。 最初，系统不知道如何完成任务并犯错误。但当它得到反馈时，它会逐渐学会在任务中做得更好。它通过改变节点之间连接的强度来学习，类似于我们学习时脑细胞之间连接的强度是如何变化的。然后，系统一遍又一遍地重复这个任务，直到最终学会正确地执行它。 然而，在他们的系统中，物理限制意味着两个节点距离越远，在两个节点之间建立响应反馈的连接就越困难。在人类大脑中，跨越大物理距离的连接的形成和维持是昂贵的。 当系统被要求在这些限制条件下执行任务时，它使用了一些与真正的人类大脑相同的技巧来解决任务。例如，为了绕过这些限制，人工系统开始发展集线器——高度连接的节点，作为在网络中传递信息的管道。 然而，更令人惊讶的是，单个节点本身的反应谱开始发生变化:换句话说，不是每个节点为迷宫任务的一个特定属性编码的系统，比如目标位置或下一个选择，节点开发了一个灵活的编码方案。这意味着在不同的时间节点可能会触发迷宫的混合属性。例如，相同的节点可能能够编码迷宫的多个位置，而不需要专门的节点来编码特定的位置。这是在复杂生物体的大脑中看到的另一个特征。 来自剑桥大学精神病学系的合著者 Duncan Astle教授说:“这种简单的限制——很难连接相距很远的节点——迫使人工系统产生一些相当复杂的特征。”有趣的是，它们是人类大脑等生物系统共有的特征。我认为这告诉了我们一些基本的东西，为什么我们的大脑是这样组织的。” 了解人类大脑 研究小组希望他们的人工智能系统能够开始揭示这些限制因素是如何形成人们大脑之间的差异的，并有助于在那些经历认知或心理健康困难的人身上看到的差异。 研究报告的合著者、来自英国医学研究委员会CBSU的John Duncan教授说:“这些人工大脑为我们提供了一种方法，让我们理解在真实大脑中记录真实神经元活动时看到的丰富而令人困惑的数据。” Achterberg补充说:“人工‘大脑’让我们能够提出在实际生物系统中不可能看到的问题。我们可以训练系统执行任务，然后用我们施加的约束进行实验，看看它是否开始看起来更像特定个体的大脑。” 对设计未来人工智能系统的启示 这些发现可能也会引起人工智能社区的兴趣，因为它们可以开发更有效的系统，特别是在可能存在物理限制的情况下。 Akarca博士说:“人工智能研究人员一直在努力研究如何制造复杂的神经系统，使其能够以灵活高效的方式进行编码和执行。为了实现这一目标，我们认为神经生物学将给我们很多灵感。例如，我们创建的系统的总体布线成本远低于典型的人工智能系统。” 许多现代人工智能解决方案使用的架构只是表面上类似于大脑。研究人员表示，他们的研究表明，人工智能正在解决的问题类型将影响使用哪种架构最强大。 Achterberg说:“如果你想建立一个人工智能系统来解决与人类类似的问题，那么最终这个系统将看起来更接近一个真正的大脑，而不是运行在大型计算集群上的系统，这些系统专门负责与人类执行的任务截然不同的任务。”我们在人造‘大脑’中看到的结构和结构之所以存在，是因为它有助于处理它所面临的类似大脑的特定挑战。” 这意味着，那些必须用有限的能量资源处理大量不断变化的信息的机器人，可能会从与人类相似的大脑结构中受益。 Achterberg补充说:“在现实世界中部署的机器人的大脑可能会看起来更像我们的大脑，因为它们可能会面临和我们一样的挑战。他们需要不断地处理来自传感器的新信息，同时控制自己的身体在空间中朝着目标移动。许多系统需要在有限的电能供应下运行所有的计算，因此，为了平衡这些能量限制和它需要处理的信息量，它可能需要一个类似于我们的大脑结构。” 这项研究由医学研究委员会、Gates Cambridge, the James S McDonnell 基金会、Templeton世界慈善基金会和谷歌DeepMind资助。

展开更多

发布时间: 2023-11-29