原创 | 文 BFT机器人
在一项开创性的研究中，剑桥科学家采用了一种新颖的人工智能方法，展示了物理约束如何深刻影响了人工智能系统的发展。
这项研究会让人想起人脑的发育和能力限制，为复杂神经系统的进化提供了新的见解。通过整合这些限制，人工智能不仅反映了人类智能的各个方面，而且还揭示了资源支出和信息处理效率之间的复杂平衡。
人工智能中物理约束的概念
人脑是自然神经网络的缩影，在无数物理和生物限制下进化和运作。这些限制不是障碍，而是有助于塑造人脑的结构和功能。用剑桥大学医学研究委员会认知和脑科学部门 (MRC CBSU) 的盖茨学者Jascha Achterberg的话说：“大脑不仅擅长解决复杂问题，而且只需要很少的能量就能解决问题。” 在我们的新工作中，考虑大脑解决问题的能力以及花费尽可能少的资源的目标可以帮助我们理解为什么大脑看起来像这样。
实验及其意义
剑桥团队开始了一个斗志昂扬的项目，创建一个模拟高度简化版本的大脑的人工系统。该系统的独特之处在于它对“物理”约束的应用，就像人脑中的约束一样。
系统内的每个计算节点都被分配在虚拟空间中的特定位置，模拟神经元的空间组织。两个节点之间的距离越大，它们的通信就越具有挑战性，这反映了人脑中的神经元组织。
然后，这个虚拟大脑的任务是在迷宫中导航，这是大脑研究中经常给予动物的迷宫导航任务的简化版本。这项任务的重要性在于它要求系统整合起止地点、中间步骤等多种信息来找到最短路径。该任务不仅测试系统解决问题的能力，还可以观察不同的节点和集群在任务的各个阶段如何了-这是关键。
01
人工智能系统中的学习和适应
人工系统从迷宫导航新手到专家的这一过程证明了人工智能的适应性。最初，该系统就像人类学习新技能一样，在完成任务时遇到了困难，犯了许多的错误。然而，通过反复试验和随后的反馈，系统逐渐完善了任务方法。
至关重要的是，这种学习是通过改变计算节点之间的连接强度来实现的，这反映了在人脑中观察到的突触可塑性。特别令人想知道的是身体限制如何影响这个学习的过程。在较远距离的节点之间建立连接的困难，这意味着系统必须找到更有效的本地化解决方案，从而模仿生物大脑中的能源和资源效率。
02
人工系统的新特征
随着系统的进化，它开始表现出与人类大脑惊人相似的特征。其中一项发展就是中枢的形成——高度连接的节点充当网络中的信息管道，类似于人脑中的神经中枢。
然而，更有趣的是各个节点处理
信息方式的转变。节点采用了灵活的编码方案，而不是每个节点负责迷宫的特定方面的严格编码。这意味着单个节点可以代表迷宫在不同时间的多个方面，这一特征让人想起复杂生物体中神经元的适应性。
剑桥大学精神病学系的Duncan Astle教授强调了这一点，他指出：“这种简单的约束——连接相距较远的节点更困难——迫使人工系统产生一些相当复杂的特征。有趣的是，它们是人类大脑等生物系统所共有的特征。”
03
更广泛的影响
这项研究的影响远远超出了人工智能领域，并深入到了对人类认知本身的知识。通过在人工智能系统中复制人脑的限制，研究人员可以获得宝贵的研究反馈，了解这些限制如何塑造大脑组织并导致个体认知差异的原因。
这种方法为了解大脑的复杂性提供了一个独特的窗口，特别是在理解影响认知和心理健康的条件方面。MRC CBSU 的 John Duncan教授补充道：“这些人造大脑为我们提供了一种方法来理解当真实神经元的活动记录在真实大脑中时我们看到的丰富而令人困惑的数据。”
04
人工智能设计的未来
这项开创性的研究对人工智能系统的未来设计具有重大影响。这项研究生动地说明了如何结合生物学原理，特别是与物理约束相关的原理，可以产生更高效和适应性更强的人工神经网络。
MRC CBSU的Danyal Akarca博士强调了这一点，他表示：“人工智能研究人员不断尝试研究如何制造能够以灵活高效的方式进行编码和执行的复杂神经系统。为了实现这一目标，我们认为神经生物学会给我们很多启发。
”Jascha Achterberg进一步阐述了这些发现在构建高度模仿人类解决问题能力的人工智能系统方面的潜力。他认为，应对与人类面临的类似挑战的人工智能系统可能会进化出类似于人脑的结构，特别是在能量限制等物理限制下运行时。部署在现实物理世界中的机器人大脑可能看起来更像我们的大脑，因为它们可能面临与我们相同的挑战。
剑桥团队进行的这项研究标志着在理解人类神经系统和人工智能之间的相似性方面迈出了重要一步。通过对人工智能系统施加物理限制，他们不仅复制了人脑的关键特征，还为设计更高效、适应性更强的人工智能开辟了新途径。