合成生物学能否激发下一波人工智能的发展

（文章来源：教育新闻网）

赖特兄弟(Wright Brothers)在20世纪初制造了世界上第一架飞机时，从鸟类的“有见识”运动中汲取了灵感。他们观察并对自然机翼的各个方面进行了逆向工程，这反过来又帮助他们在空气动力学和推进方面取得了重要发现。

同样，要构建具有思考能力的机器，为什么不从我们两耳之间运作的三磅重物质中寻求灵感呢?人工智能的先驱，图灵奖的获得者杰弗里·欣顿(Geoffrey Hinton)似乎同意：“我一直坚信，使人工智能发挥作用的唯一方法就是以类似于人脑的方式进行计算。”

那么，人工智能(AI)的下一步是什么?下一波AI会受到生物学快速发展的启发吗?在分子水平上理解大脑回路的工具是否可以使我们对人的思维方式有更高的系统层次的理解?答案可能是肯定的，而且在学习生物系统与开发人工系统之间的思想交流实际上已经持续了数十年。

首先，生物学与机器学习有什么关系?得知机器学习的许多进步来自心理学和神经科学的见识，可能会让您感到惊讶。强化学习(RL)是机器学习的三个范式之一(另外两个是监督学习和非监督学习)，起源于可追溯到1940年代的动物和认知神经科学研究。

RL是当今一些最先进的AI系统的核心，例如AlphaGo(由领先的AI公司Google DeepMind开发的，广为人知的AI代理)。AlphaGo在Go(中国棋盘游戏)中击败了世界排名第一的棋手，该棋盘游戏包含的棋盘组合数量超过了宇宙中原子的数量。

尽管AlphaGo在围棋游戏中具有超人的表现，但其人类对手仍然拥有更多的通用情报。他可以在任何环境下开车，讲语言，踢足球以及执行许多其他任务。当前的AI系统在很大程度上无法利用学到的知识来玩扑克并将其转移到另一项任务上，例如玩Cluedo游戏。这些系统专注于单个狭窄的环境，需要大量的数据和培训时间。而且，他们仍然犯一些简单的错误，例如将奇瓦瓦狗误认为松饼!

与儿童学习类似，强化学习基于AI系统与其环境的交互作用。它采取的行动力图使报酬最大化并避免惩罚。在好奇心的驱使下，孩子们是活跃的学习者，他们可以同时探索周围的环境并预测其行为的结果，从而使他们建立思考因果关系的思维模型。例如，如果他们决定推红色汽车，洒花瓶或向另一个方向爬行，他们将根据其行动的结果来调整其行为。

孩子们会经历不同的环境，在其中他们发现自己经常以不同寻常的方式在各种情境和物体的处境中导航和互动。就像儿童大脑的发育可以激发AI系统的发展一样，RL剂的学习机制与多巴胺的释放所驱动的大脑学习机制是平行的，多巴胺是中枢神经系统的神经递质，它会根据经验训练前额叶皮层。从而塑造刺激反应的关联以及结果的预测。

生物学是人工智能最有希望的受益者之一。从研究促成肥胖的令人难以置信的遗传突变组合到研究导致某些细胞失控并产生癌症的拜占庭途径，生物学产生了大量复杂而令人费解的数据。但是，这些数据集中包含的信息通常提供有价值的见解，可用于改善我们的健康状况。

在合成生物学领域，工程师寻求“重新连接”活生物体并为其编程以新功能，许多科学家正在利用AI设计更有效的实验，分析其数据并使用其来创建突破性的疗法。我最近重点介绍了五家将机器学习与合成生物学相结合的公司，以为更好的科学和更好的工程铺平道路。