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。
