比深度学习更值得信赖的模型ART

作者 | KATHY PRETZ    译者 | 弯月

出品 | CSDN&＃xff08;ID&＃xff1a;CSDNnews&＃xff09;

在过去的 20 年间&＃xff0c;深度学习通过一系列有效的商业应用主导了人工智能的研究和应用。但光鲜亮丽的背后却是一些根深蒂固的问题&＃xff0c;甚至威胁到了技术的发展。

举个例子&＃xff0c;常见的深度学习程序只能在某项任务上有良好的表现&＃xff0c;技术的应用被限制到了严格控制的环境中的特定任务上。更严重的是&＃xff0c;有人认为深度学习并不可信&＃xff0c;因为它不可解释&＃xff0c;而且也不适合某些应用&＃xff0c;因为它会出现灾难性的遗忘问题。也就是说&＃xff0c;即便算法真的有效&＃xff0c;我们也搞不懂其中的原因。而在深度学习慢慢学习一个新数据库的过程中&＃xff0c;可能不知道哪个已经学过的记忆就突然丢失了。因此&＃xff0c;在任何关系到人类生命的应用中使用深度学习都是有风险的。例如医疗应用。

最近&＃xff0c;IEEE 研究员 Stephen Grossberg 在新书《Conscious Mind, Resonant Brain: How Each Brain Makes a Mind》中提出了一种完全不同的方法。书中描述了 Grossberg 根据几十年来在认知和神经方面的研究&＃xff0c;提出的另一种生物和人工智能模型。他称这个模型为“自适应共振理论”&＃xff08;AdaptiveResonance Theory&＃xff0c;简称ART&＃xff09;。

Grossberg是美国波士顿大学认知和神经系统、数学和统计学、心理和脑科学以及生物医学工程方面的教授&＃xff0c;ART 正是根据他的有关大脑如何处理信息的理论构建的。

他说&＃xff1a;“我们的大脑学会了如何在一个充满了意外事件的世界中识别和预测物体和事件。”

基于大脑的这种行为&＃xff0c;ART使用监督学习和无监督学习两种方式来解决模式识别和预测等问题。一些大规模的应用包含了以该理论为基础的算法&＃xff0c;例如声纳和雷达信号的分类、睡眠呼吸暂停的检测、推荐电影、以及基于计算机视觉的驾驶辅助软件。

Grossberg说&＃xff0c;ART 可以放心使用&＃xff0c;因为它是可以解释的&＃xff0c;而且没有灾难性的遗忘问题。他补充说&＃xff0c;ART 解决了“稳定性-可塑性困境”&＃xff0c;即大脑或其他学习系统如何能够自主快速学习&＃xff08;可塑性&＃xff09;&＃xff0c;同时还没有灾难性的遗忘问题&＃xff08;稳定性&＃xff09;。

Grossberg于 1976 年构建了 ART&＃xff0c;他是人工智能建模的先驱&＃xff0c;美国“波士顿大学自适应系统中心”的创始人和主任&＃xff0c;也是“教育、科学和技术学习卓越中心”的创始领导人。这两个中心都在研究大脑的适应与学习方式&＃xff0c;并根据他们的发现开发技术应用。

鉴于在“理解大脑的认知和行为&＃xff0c;并通过技术模拟这种认知和行为”方面做出的贡献&＃xff0c;2017年 Grossberg 荣获IEEE 弗兰克·罗森布拉特&＃xff08;Frank Rosenblatt&＃xff09;奖&＃xff0c;该奖以康奈尔大学的这位教授的名字命名&＃xff0c;他是公认的“深度学习之父”。

Grossberg在书中解释了“我们称之为大脑的这一小块肉”如何产生思想、感觉、希望、情感和计划。特别是&＃xff0c;他描述了旨在解释这个过程的生物神经模型。这本书还涵盖了阿尔茨海默病、自闭症、健忘症和创伤后应激障碍等疾病的根本原因。

他在书中写道&＃xff1a;“了解大脑如何产生思想&＃xff0c;对于设计计算机科学、工程和技术领域的智能系统&＃xff08;包括人工智能和智能机器人&＃xff09;来说非常重要。本书根据多个工程和技术应用程序总结出了一套生物启发算法&＃xff0c;许多公司已经应用了这个算法。”

他说&＃xff0c;书中的理论不仅有助于理解大脑&＃xff0c;而且还可以应用到能够自主适应不断变化的世界的智能系统的设计。这本书描述了人类聪明、自主和多才多艺的基础。

ART之美

Grossberg写道&＃xff0c;大脑的进化是为了适应新的挑战。他说&＃xff0c;人类大脑有一套共同的机制&＃xff0c;可以控制人类记住已经学到的知识&＃xff0c;同时还能接受新信息。

他说&＃xff1a;“我们能够牢牢地记住过去的经历&＃xff0c;这些事件序列存储在我们的工作记忆中&＃xff0c;可以帮助预测我们未来的行为。人类有能力终其一生不断学习&＃xff0c;而且新学习到的知识不会冲走之前积累的重要信息。”

他表示&＃xff0c;常见的人工智能面临的一个问题是&＃xff0c;模型的构建一般都是在模拟大脑“可能”的工作方式&＃xff0c;构建使用的概念和操作都是从推测和直觉得出的。

“这种方法假设&＃xff0c;你可以根据人们描述日常生活中的物体和行为的概念和词语&＃xff0c;来推测大脑的内部状态。这种方法虽然很吸引人&＃xff0c;但往往不足以建立模拟生物大脑真正的运作方式的模型。”

他认为&＃xff0c;现如今的工智能的问题在于&＃xff0c;它在试图模仿大脑处理的结果&＃xff0c;而不是探索产生结果的机制。Grossberg 说&＃xff0c;由于大脑中有专门的回路&＃xff0c;所以人类的行为会“即时”适应新的情况和感觉。他补充说&＃xff0c;人类可以根据新情况学习&＃xff0c;将意外事件整合到他们收集的知识和对世界的期望中。

他表示&＃xff0c;ART 的神经网络源自关于人类和动物如何与环境互动的思想实验。“人类和其他陆生动物已成功适应了多种环境限制&＃xff0c;而 ART 的回路正是针对这些环境构建的解决方案。”这表明&＃xff0c;ART 的设计可能会以某种形式&＃xff0c;体现在未来的自主自适应智能设备中——仿生设备或人工智能设备。

Grossberg总结道&＃xff1a;“科技与人工智能的未来将越来越依赖这种自我调节系统&＃xff0c;如今的自动驾驶汽车和飞机中已经采用了这种技术。如果资金雄厚的工业研究和应用程序也深入大脑的研究&＃xff0c;那么我们能取得多么大的成就&＃xff01;想到这里&＃xff0c;我就会激动不已。”

参考链接&＃xff1a;

https://spectrum.ieee.org/deep-learning-cant-be-trusted