人腦作為地球上最復雜的智能載體，一個最大的特點就是能高能效地產生智能。如果能盡可能按照人腦的工作原理來創建AI系統，將會大大提高AI的工作效率，大幅降低能耗。

最近，劍橋大學做了這么項研究，就是想找到一個條路徑，讓AI系統復制人腦。

論文地址：https://www.cam.ac.uk/research/news/ai-system-self-organises-to-develop-features-of-brains-of-complex-organisms

直譯過來就是——AI系統自我組織，生成了一系列人腦的特征，甚至還有各種復雜的組織。

AI仿真大腦

大腦大家都不陌生，里面有很多神經系統和組織。所有的組織和系統都在有限的物理空間內部爭取有限的能量和資源。

但為了和諧共生，各部分之間就得平衡一下彼此的需求。

這也就是為什么各個物種的腦部結構都差不多，就是因為在不斷的優化和調整之后，大家都傾向于發育成類似的組織解決方案。這種方案能帶來各部分之間的平衡。

劍橋大學醫學研究委員會認知與腦科學組（MRC CBU）的蓋茨學者Jascha Achterberg表示，「大腦不僅善于解決復雜的問題，而且在解決復雜問題時耗能還很少。」

而劍橋大學的新研究，就有助于我們理解為什么大腦看起來就是現在這個樣子。研究途徑，就是將大腦解決問題的能力和在解決問題的過程中極少的耗能這兩點結合在一起，進行整體的考慮。

共一作者是同樣來自MRC CBU的Danyal Akarca博士，他補充說：這源于一個廣泛的原則，即生物系統的進化通常是為了最大限度地利用其可用的能量資源。它們找到的解決方案往往非常優雅，反映了施加給它們的各種力量之間的權衡。

而這篇發表在Nature Machine Intelligence的研究，就是Achterberg、Akarca和他們的其他團隊成員創建的一個AI系統。核心就是模擬一個非常簡化的大腦模型，同時施加了和人腦差不多的物理約束。

研究表明，這個設計出來的AI系統，還真發展出了某些和人類大腦相似的關鍵性特征，以及發育策略。

人腦中存在大量神經元，而這個系統使用的是計算節點，不是真正的神經元。但神經元和節點的功能類似，都是接收輸入、轉換輸入并產生輸出，而且單個節點或神經元可能連接多個其他節點或神經元，這一點沒什么差別。

并且，所有信息輸入以后都要經過計算。

下面就是最主要的部分了——研究團隊施加的物理限制。

每個節點在虛擬空間中都有一個特定的位置，兩個節點離得越遠，它們就越難以進行溝通。這與人腦中神經元的組織方式類似。

首先，研究人員給該系統布置了一個簡單的任務——一個簡化版的迷宮導航任務，通常是在研究大腦時給大鼠和獼猴等動物布置的任務，參與者必須結合多種信息來決定到達終點的最短路線。

之所以研究團隊選擇這項任務，其中一個原因就是，要完成這項任務，系統需要記住一系列的要素——包括起始位置、終點位置和中間的步驟。

一旦系統學會了怎樣可靠地完成任務，研究人員就有可能在試驗的不同時刻觀察到哪些節點是重要的。

例如，一個特定的節點集群可能負責編碼迷宮終點的位置，而其它節點集群則側重編碼可用的路線這一塊。

因此，研究人員就可以跟蹤哪些節點在任務的不同階段處于活動狀態，以此判斷各節點的不同功能。

起初，系統不知道如何走出迷宮，甚至還會犯錯誤。

但是，當系統得到反饋后，它就會通過不斷的自我學習，逐漸明白如何更有效率地完成這項任務。

具體方式是，這個AI系統會通過改變節點間連接的強度來進行學習，這和我們人類在學習時腦細胞之間連接強度會出現變化類似。

在自我學習過后，系統就會一遍又一遍地重復任務，直到最終學會如何正確執行完所有任務。

然而，在他們設計的系統中，存在物理限制，這就意味著兩個節點之間離得越遠，就越難根據反饋在兩個節點之間建立連接。這點在人腦中也是一樣——跨越較大物理距離的連接不好形成，想讓這類連接維持下來并得到強化，則更加難能可貴。

當系統被要求在這些限制條件下執行任務時，AI會使用一些與真實的人腦相同的技巧來解決任務。

例如，為了繞過這些限制，AI就會自發開始發展集線器，這是一種高度連接的節點，作為在網絡中傳遞信息的管道。

而更令人感到震驚的是，單個節點本身的反應特征也開始發生變化，換句話說，每個節點不是為迷宮任務的某一特定屬性（如確定目標位置或進行下一步驟的選擇）來編碼，而是會慢慢發展出一種靈活的編碼方案。

這就意味著，在不同的時刻，節點可能會對迷宮的各種屬性進行編碼。

打個比方，同一個節點可以對迷宮的多個位置進行編碼，而不需要專門的節點對特定位置進行編碼。這也是復雜生物大腦的一個顯著特點。

論文合著者之一、劍橋大學精神病學系的Duncan Astle教授表示，這種簡單的限制，是針對復雜生物體大腦的另一種特征。

稍微給一點簡單的限制，比方說上面提到的，物理距離較遠的兩個節點連接起來比較困難，就會迫使AI系統產生一些相當復雜的特征。

而研究的重點落腳到——這些特征是人腦等生物系統所共有的，也就是說，通過AI的模擬，最終還是要去研究人腦。

研究團隊所希望的是，他們的AI系統能夠開始揭示這些制約因素是如何形成人腦之間的差異的，以及如何導致那些在認知或心理健康方面有困難的人出現各種各樣的差異。

論文合著者之一、來自英國醫學研究中心CBU的John Duncan教授說：這些人造大腦為我們提供了一種方法，讓我們能夠理解在真實大腦中所記錄下的那些和真實神經元活動相關的各種各樣的數據。

而沒有這一步，這些數據就只是數據，換句話說，抽象。

Achterberg補充說：「AI大腦能讓我們提出在實際生物系統中不可能解決的問題。

我們可以訓練該系統執行任務，然后在實驗中對我們施加的限制進行試驗，看看它是否開始變得更像特定個體的大腦。」

對設計未來人工智能系統的影響

當然了，除了能幫助腦科學家研究人腦，這項研究當然也可以引發AI界的興趣和廣泛討論，因為它們可以開發出更高效的系統，尤其是在可能存在物理限制的情況下（這時的物理限制就不是強加的了，而是客觀存在的限制）。

其中一位研究者表示，AI屆的研究人員一直在努力研究如何開發出更加復雜的神經系統，使其能夠以靈活高效的方式進行編碼和執行任務。

為了實現這一目標，開發人員們認為神經生物學會給他們帶來很多啟發。

打個比方，他們所創建的系統的整體布線成本，要比典型的AI系統低得多。

要知道，許多現代的AI解決方案使用的架構只是表面上與大腦相似。研究人員說，這項新的研究表明，人工智能要解決的問題類型這件事，會影響究竟使用哪種架構最強大這個問題。

Achterberg表示，「如果你想建立一個人工智能系統來解決與人類相似的問題，那么最終這個系統會比運行在大型計算集群上的系統更接近真實的大腦，因為后者專門處理與人類截然不同的任務。」

「我們在人工大腦中看到的架構和結構之所以存在，是因為它有利于處理所面臨的類似大腦的特定挑戰。」

這意味著，AI機器人必須在有限的能源資源下處理大量不斷變化的信息，擁有與人類相差不多的大腦結構會讓它們在執行很多任務的時候事半功倍。

Achterberg教授進一步說道：部署在真實物理世界中的AI機器人的大腦可能會更像我們的大腦，因為它們更有可能面臨與我們相同的任務。

它們需要不斷處理傳感器傳來的新信息，同時控制自己的身體在空間中向目標點位移動。

許多系統需要在電能供應有限的情況下運行所有相關計算。因此，AI系統為了平衡這些能量和資源上的限制，以及需要處理的信息量，它們就很有可能需要一個與人類大腦相類似的結構。

目前，這項研究得到了醫學研究委員會、蓋茨劍橋大學、James S McDonnell基金會、Templeton世界慈善基金會和谷歌DeepMind的資金資助，相信未來這項研究會在腦科學和AI領域都產生重大影響。