想理解人类大脑工作原理,可以从我们的嗅觉

机器学习技术通常以视觉系统为基础进行信息处理，现在为了超越这一局限，科学家们开始从嗅觉当中汲取灵感。

如今的人工智能系统（包括受到神经元与神经系统连接而启发的人工神经网络），已经能够很好地完成具有已知约束条件的任务，此外，这些系统往往还需要配合大量计算能力与可观的训练数据集才能起效。凭借这些特质，它们在对弈、特别是围棋领域获得了出色表现，能够检测图像中是否存在车辆，并成功区分猫与狗等不同视觉对象。不过宾夕法尼亚大学计算神经科学家KonardKording指出，“但它们在创作音乐或者撰写短篇小说方面却表现得相当糟糕。显然，如今的人工智能系统在以有意义的方式进行推理时面临着重大的挑战。”

为了克服这些局限性，一部分研究小组正在回归从大脑中寻求新答案的方法。更令人称奇的是，其中一些研究人员选择了看似不太可能的起点：嗅觉。科学家们希望更好地理解有机体如何处理化学信息，并发现了似乎有望解决人工智能问题的相关编码策略。此外，嗅觉回路与其它更为复杂的大脑区域间存在惊人的相似性，而后者则可能指引我们构建起更强大的智能机器。

计算机科学家们现在正着手在机器学习环境当中对上述发现进行消化。

侥幸与革命

时至今日，最为先进的机器学习技术至少在某种程度上仍然依赖于视觉系统模拟结构，即以信息为基础进行分层摄取。当视觉层接收到感官数据时，其首先会选择小的但定义明确的特征，包括边缘、纹理、颜色等与空间映射相关的元素。神经科学家DavidHubel与TorstenWiesel在上世纪五十年代到六十年代发现，视觉系统中的特定神经元与视网膜中的特定像素位置属于一一对应关系，这一重大发现亦使他们成功拿下诺贝尔奖。

当视觉信息通过皮层神经元进行传递时，边缘、纹理与颜色等细节信息汇集在一起共同形成愈发抽象的输入表达：例如对象为人脸，且面部特征显示其身份为Jane。网络中的每一层都有助于有机体实现这一最终判断目标。

深层神经网络会以类似的分层方式运作，并给机器学习与人工智能研究带来了一场深远的革命。为了都会这些网络识别人脸等物体，研究人员会向网络当中传入数以千计的样本图像。该系统会加强或削弱各人工神经元之间的连接，从而更准确地判断特定像素集合所形成的更为抽象的人脸图形。在充足样本的支持之下，其能够识别新图像当中包含的人脸对象，以及此前从未见过的场景中的人脸模式。

研究人员在此类网络当中取得了巨大成功，除了图像分类方面，其亦可在语音识别、语言翻译以及其它机器学习应用领域带来良好表现。华盛顿大学计算神经科学中心的研究人员CharlesDelahunt表示，“我喜欢将深层网络视为货运列车。其非常强大，但要求我们提供平坦的路面，从而铺设轨道并建立庞大的基础设施。但我们都很清楚，生物系统并不需要这些——它们能够解决很多深层网络如今尚无法解决的难题。”

下面再来聊聊人工智能领域的热门话题：自动驾驶汽车。在汽车立足新环境进行导航时，周边环境将始终不断变化，且充满噪音与模糊性因素。如此一来，受到视觉系统启发的深度学习技术可能无法正常发挥作用。事实上，基于视觉的松散方法恐怕也不能很好地解决问题。在这方面，麻省理工学院的生物物理学家AdamMarblestone表示，视觉处理所代表的是一种在根本层面以偶然性为基础的洞察获取能力，这是一种“历史的侥幸”。正是这种侥幸让科学家们获得了目前人工智能领域最为成熟的系统，即基于图像的机器学习应用方向。

加州索尔克生物研究所的计算机科学家SaketNavlakha则提醒称，“每种类型的刺激都会以不同的方式进行处理。举例来说，视觉与嗅觉就采用完全不同的信号类型。因此，大脑可能会使用多种不同的策略来处理不同类型的数据。我认为除了研究视觉系统如何运作之外，研究人员还有很多其它课题需要探索。”

图：索尔克研究所计算机科学家SaketNavlakha开发出一种基于飞蝇的嗅觉回路算法，希望改善机器学习技术在相似搜索与新型检测任务中的表现。

他和其他一些研究人员们发现，昆虫的嗅觉回路可能会带来一些值得参考的经验。直到上世纪九十年代，哥伦比亚大学的生物学家LindaBuck与RichardAxel才发现用于处理气味受体的基因，这标志着嗅觉研究工作正式起步。从那时开始，嗅觉系统开始变得极具特色，并指导着更多研究人员探索苍蝇与其它昆虫对气味的处理方式。一部分科学家认为，其能够轻松解决视觉系统所不能处理的多种常见计算挑战。

Delahunt解释称，“我们之所以

转载请注明：http://www.abuoumao.com/hytd/3555.html