您好機器人2018-01-09 18:49:46
透過對生物學習與人工智慧進行的比較，我們可以建立一個更安全的基礎設施系統。
本文由Sophos的資料科學家Madeline Schiappa和Ethan Rudd撰寫。
人們認為智慧生活的標誌是機器是否具備了學習能力。現在，機器學習可以從資料集中進行學習和推斷，從而完成一些複雜的任務，比如：將以前見所未見的種類進行分類。
機器學習與人類都有著驚人的相似之處，但同時也存在著眾多特殊的差異。透過對比生物學習與人工智慧，我們可以建立一個更安全的基礎設施系統。
有趣的神經元
使用生物神經網路後，大腦中無數的神經元之間實現了互連，之後便可進行學習。隨著大腦不斷暴露在新的刺激之下，這些神經元改變了它們的互連結構，建立了新的連線、加強了現有連線、刪除了那些未使用的連線。越多的重複已給定任務，神經性的連線就越強，直至該任務重複學習無數次。
透過使用預先建立的記憶和感知的模型，神經元可以處理新的刺激，這些記憶和感知的模型以一小組神經元的活動為基礎。對於每一種刺激，都有大量來自於可用神經元的不同子集在認知過程中被啟用。
在設計人工智慧模型的時候，生物神經網路中的驚人結構讓資料科學家們深受啟發。
人工神經網路（ANN）旨在以一種抽象的方式模擬神經元處理新刺激的過程，但是規模變得更小、更簡單。
人工神經網路是什麼？
ANN由互連神經元的層構成，這種互連神經元可以接收一組輸入和一組權重。然後進行數學操作，並將結果以“啟用碼”的方式輸出，這與生物神經元中的突觸十分相似。雖然在通常情況下ANN由數百到數千個神經元組成，但是人腦的生物神經網路中的神經元要多得多，近數十億。
在高階的層次中，神經網路由四個部分組成：
1．神經元
2．拓補結構——神經元中的連線橋樑
3．權重
4．一種學習演算法
在每一個元件中，人腦中的生物神經網路和用軟體表示的人工神經網路中都有著明顯的不同。
如下圖，我們可以看到一個視覺化的生物神經元。軸突負責核到其他神經元的輸出連線。樹突樹負責接收其他神經元到核的輸入。來自神經元（突觸）的電化學訊號聚集在細胞核中。如果聚合超過了突觸閾值，那麼電化學尖峰（突觸）就會沿著軸突向下傳播到其他神經元的樹突上。
圖片來源：維基百科
對生物神經元的剝離分析
如圖一，生物神經元由一個細胞核構成，這個細胞核透過一個輸入終端或是一個樹突的分支接收來自於其他神經元的輸入。樹突組合通常也叫做“樹突樹”，它可以透過神經遞質的電化學交換從其他的神經元中接收興奮性或抑制性訊號。
到達細胞核後輸入訊號的幅度大小主要取決於之前神經元的動作電位幅度和進入樹突離子通道時的電導率。離子通道主要負責承載透過神經元膜的流動電訊號。
更加頻繁或更大幅度的輸入訊號往往會使導電離子的傳輸通道變得更好，也會使訊號傳播變得更加容易。根據從樹突樹中的所有突觸上收集到的訊號，在經過神經性疊加作用後，神經元要麼“被啟用”要麼“被禁止”，換句話說，就是被切換為“開”或者是“關”。神經元中有一種電化學閥值，類似於人工神經網路中的啟用功能，無論積累的資訊是否足以“啟用”神經元，這種啟用功能都可以讓“啟用”得以實現。
然後，將最終結果傳輸其他神經元，如此這般迴圈往復。
下面我們將看到人腦中神經元拓撲的簡化示意圖。在這幅圖中，我們可以更多的關注整個迴圈和神經元之間相互反饋所蘊含著的的巨大潛力。
圖片來源： QuantaMagazine
生物網路中的學習活動
在像人腦這樣的生物神經網路中，學習是指對目前的表現不斷進行細微調整，在任何學習之前，人腦的結構中都會儲存相關的重要資訊。網路拓補是指神經元或權重之間的連線強度不會隨機改變，連線結構也不會隨機開始。這種初始狀態部分是由遺傳衍生的，是進化的副產品。
隨著時間的推移，網路透過調整拓撲和權重來學習如何執行新功能。研究後的事實表明，這種方式剛開始會適用於大多數任務，一個月大的新生兒可以透過他們學到的父母與陌生人的差別來辨別相貌，換句話說就是，識別人臉的概念在很大程度上是父母遺傳給孩子的。
隨著嬰兒的不斷成長，他們歷經了童年、青春期、成年期，甚至到了退休年齡。他們每天都會遇見認識一些新朋友，並且要記下他們的樣貌。透過對大腦中的神經網路進行一些細微改變，他們就能完成對相貌的記憶了。
同樣的學習現象也發生在其他任務中，包括被動感知，從識別通用物件到語音模式下的聲音處理，再到一些像運動和交談類的活動任務，神經網路逐步學習這些技能，為了完善這些技能，一些更小的改動也在推進。
精確的拓撲結構是一種刺激型函式，用於訓練生物神經網路。其中，由David Hubel和TorstenWiesel領導的單眼剝離研究就是一個顯著的例子。該研究是在動物發育過程中迫使動物閉眼兩個月，然後觀察這段時間內動物主要視覺皮層的變化。
結果表明，通常情況下，會對雙眼輸入產生反應的細胞在經過兩個月的實驗之後不再產生反應。他們的大腦和眼睛中的細胞都發生了改變。再把這種現象拓展到人類身上，例如，對視覺感知進行的心理測驗表明，長時間在城市中生活的人往往對平行線條和尖銳的梯度更敏感，可能是因為城市道路、摩天大樓和窗戶的平行結構過多，而一些長時間生活在農村的人往往對光滑紋理漸變更加敏感。
人工神經元網路中的學習活動
與生物神經網路不同，對於手頭上的問題，人工神經網路（ANN）通常使用一種固定的拓補方式從零開始進行訓練。目前，人工神經網路的拓撲不會隨時間而變化，為了使輸入的對映聚合函式達到期望的輸出值，權重會透過最佳化演算法的方式隨機初始化並進行相應地調整。然而，ANN也可以在已有表示法的基礎上進行學習，我們將這個過程稱為微調，包括以一種相對較慢的學習速率對來自“預訓練”網路拓撲的權重進行調整，這樣的話，ANN就能在新的輸入訓練中表現良好。
我們也可以毫不費力地複製ANN，但是在我們複製ANN之前，還需要用一段時間去研究人類大腦。
無論從零開始訓練還是進行微調訓練，權重的更新都是從神經網路傳遞資料、測量結果、再進行相應地修改而開始的。這就是人工神經網路“學習”的整個過程。權重會最大化的提高所需任務的效能，例如最大化提高輸入樣本的識別準確度。我們可以把這種學習概念比作成一個嘗試辨別出日常物品的孩子。當孩子認錯物品之後，會對好好思考這個答案是否準確，從而獲得反饋，然後從不同的角度進行再次嘗試，最終得到一個正確答案。當ANN進行學習時，也能夠執行相同的任務。然後完善對已知刺激反應的理解，完善學習機制來調整權重，以便最大化其以後對新刺激反應的精準度。
一旦這個學習過程完成，對於那些在之前的學習過程中沒有暴露出來的問題，孩子和ANN就可以根據以前的經驗對新刺激做出反應。儘可能多的讓孩子們接觸到類似問題，將對他們的學習產生極大的幫助。孩子遇見處理的問題越多，他們處理新問題的速度就越快，因為經過反覆多次的訓練之後，孩子大腦中相關神經元的連線變得更加明確了。在這個方面，ANN與孩子學習的過程類似——ANN若是能在問題中更多地接觸到那些可能會刺激自身的各種分佈，它就能更加準確的對從未接觸過的新刺激中的同種分佈作出正確反應。
越廣泛的暴露在各種領域中越好
長期以來的經驗讓我們明白，即使學習有時會給孩子們帶來痛苦，但對於孩子們來說，越多的接觸世界越好。事實上，當在學習中感受到痛苦時，痛苦本身就是一個極大的反饋機制。同樣的，對於ANN來說，暴露於各種特定領域中，接受各種刺激是非常重要的，因為這樣可以讓ANN受到廣泛的訓練或微調，讓其與任何型別的神經網路相適應，而不是僅侷限於某一種特定的刺激中。
對特定的刺激類別的附加表示進行研究後，我們發現，網路可以更好的對新刺激或新概念進行分類。這種分類適用於生物神經網路和人工神經網路，雖然生物神經網路在泛化方面做得更加出色。一部分原因是由於生物神經網路能夠更多的暴露在各種資料型別和模式中，也有一部分原因是由於它們擁有更先進的生物拓撲和學習演算法，當然了，很大程度上是收到達爾文主義的影響。
這個例子源於Nassim Taleb提出的黑天鵝理論。黑天鵝理論是基於十六世紀倫敦出現的一種普遍性現象，因為當時沒有任何其他有色天鵝的記錄，所以人們都認為所有的天鵝都是白色的。因此，在人們的意識中，天鵝必須是白色的，只有白色的才能被稱之為天鵝。直至後來，荷蘭的探險家Willem de Vlamingh親眼在西澳見到了黑天鵝，才將這種嚴格的天鵝分類法改變。
這裡出現的一種觀點是，如果一個人在長大後才看到白天鵝，這個人的神經網路只能在白色天鵝的環境中進行訓練，然後創造出一個自我虛構的“黑天鵝”形象，如果我們從未見過黑天鵝，那麼就不能全面地對天鵝進行分類。如果一個人長大後見過黑天鵝，也見過白天鵝，那麼這類人更適合去劃分天鵝的類別，因為一個見識過各種天鵝種類的生物神經網路，在經過廣泛的“訓練”之後，能夠更清晰的分辨出天鵝所具有的特性。
普遍情況下，以前學習到的處理抽象知識的能力將會非常有用的，可以透過輕量化調整快速地跨領域解決問題——這個過程稱之為微調，微調也是神經網路解決遷移學習和領域適應問題的一種方案。事實上，其中一個原因是由於並沒有那麼多的神經元連線需要重新佈線。平均資料顯示，狂熱的滑雪愛好者的滑雪速度比滑雪新手要快得多。為什麼那些用於物體檢測的人造神經網路會在面部識別上表現優異，甚至超過了專門用於面部識別的人造神經網路呢？
人類VS機器
我們需要明確的一點是，如今，人工神經網路還處於起步階段。雖然人造神經網路在結構上與生物神經網路相類似，但對於權重概念、神經元（功能單位）、拓撲學習和學習演算法來說，許多人類能完成的複雜任務，它們還不能做到。人工神經網路的拓撲結構要簡單得多，數量級也要小一些，學習演算法比較幼稚。此外，他們還不能同時進行大量異構任務的訓練。
我們將繼續構建ANN來解決一些難題，比如，檢測未知型別的惡意軟體：我們還將繼續瞭解人類大腦，探索大腦如何完成任務。實際上，ANN的準確性和速度都將優於專業分析人員。大腦中的動作電位以千秒數傳播，然而ANN可更快的對資料量進行分類。
對於其他任務，ANN將發揮自己的優勢，大大增強和完善人類的最強思維能力，使大型的工作流程自動化。
在不久的將來，ANN還將以近似甚至是超過人類的水平來執行其他任務，在數學上和結構上也將與生物神經網路更加相似。
