它会推动更强AI到来？时序记忆“交响乐”令人“脑洞大开”( 二 ) 本文转自：文汇报大脑对于时

目前为止，科学家还未能找到可显著提高总体工作记忆容量的训练方法。如果人们希望能更高效地处理和记忆某类序列信息，最好的方法还是集中对该任务进行训练，或者对该类序列积累更多的知识和经验，以便快速提取其中的抽象规则。
Q：大脑这种将信息先进行“降维”存储，再加以应用、组织、处理的方式，对于人工智能的发展有何借鉴意义？
A：这项研究的一大创新之处，就是对神经元在群体水平上进行分析，从而研究大脑的高级认知功能。其中的一个重要发现是，序列中的符号信息可以在神经网络中以一种解耦的方式进行表征。
我们每个人都具有符号运算的能力，这说明大脑神经网络是可以做符号运算的。但大脑究竟怎样表征符号信息、进行符号运算的呢？过往研究还没有弄明白，因此存在很多争议。
这次我们的研究发现，符号表征是可以转变成神经表征，并保持其原有几何结构的。如果找到了符号在神经网络中表征的可能方式，则意味着可以为人工智能领域“符号主义”与“连接主义”两大学派的融合找到一些契合点。在过往发展历程中，这两大学派相对独立发展，一直没有找到合适的兼容方式。近年来，越来越多的研究者开始关注两者的结合，这可能是实现通用人工智能的重要方向。
Q：如果符号在神经网络中可以进行运算，将会带来什么？
A：如果解决了符号在神经网络中的表征问题，那么就有可能在神经网络中更自然、更高效地实现符号运算。这意味着人工智能可能从目前模仿人的“快思维” ，进入到模拟“慢思维”的阶段。
神经网络具有可学习、可编程的特性，这是符号系统所缺乏的。但神经网络在与下游交互时，却存在“黑盒”现象。这是因为我们目前还不是很清楚神经网络的工作机理，对于它哪些能做、哪些不能做，还无法明确其边界。我们的研究可以为探究“神经网络黑盒”的可解释性提供一些见解。
如果这个大难题得以解决，那么人类就可能将人工智能应用从现在的“皮毛”推向更深层。比如，有人质疑无人自动驾驶的安全性，一个重要的原因是人工智能很容易被图像所欺骗。这其实是因为我们还不了解人到底对符号信息是如何做决策的。如果有基于符号的神经网络的加入，或能帮助自动驾驶系统更好地理解规则，使系统做出更接近于人的判断，从而真正提高自动驾驶系统的安全性。
作者：许琦敏
图片：受访者提供
责任编辑：任荃
*文汇独家稿件，转载请注明出处。