人工智能算法框架是可以被科学家掌控的

人工智能技术的诞生要追溯到20世纪50年代，当时学界对于如何构建人工智能产生了两种路径分歧。一类观点主张基于逻辑和计算机程序，另一类则主张直接从数据中学习。前者曾主导AI发展早期的数十年间研究和应用，但后者才是目前大众所知晓的AI技术实现路径。

特伦斯·谢诺夫斯基现在是美国“四院院士”、美国索尔克生物研究所计算神经生物学实验室主任，也是人工智能发展早期支持后者观点的少数人之一。即使曾经历美国政府机构大幅缩减人工智能资金投入，却并未影响到他所在观点方的探索之路。

在前述特伦斯对MIT教员的探讨过程中，他指出，苍蝇眼中的视觉网络进化了数亿年，其视觉算法嵌入了本身的网络。这也是为什么可以利用苍蝇眼神经回路的布线图和信息流对视觉系统进行逆向工程，但为什么不能在数字计算机上这样做，因为硬件本身需要软件来制定要解决什么问题。这也是通用设备与专用设备的差异性所决定。此后，一批不依赖于数字逻辑构建搭建的机器人开始有所发展。

到今天，我们大多从AlphaGo在两次大型对战中战胜世界级冠军选手的故事了解到其得以发展下来的原委。Google旗下团队通过让机器学习围棋的多样化棋局数作为基础数据，AlphaGo除了具备评估盘局的深度学习网络，还有解决时间信用分配问题的系统，通过这些得以评估落子的行动顺序。

至少目前，AI在场景中的应用已经可以带来一些惊喜，比如翻译。特伦斯指出，五年前Google将深度学习相关技术应用到翻译软件中，“几乎是一夜之间，过往几千年来的文化壁垒就此被打破了。”他表示，有了通用翻译器后，人类文化间的偏见也有望就此被消除。初级阶段的人工智能相关技术仍面临着诸多挑战。不过特伦斯明确向21世纪经济报道记者表示，不太可能存在“深度神经网络”之外的其他人工智能技术框架。

“现在我们的发展在朝着两个方向走。第一是利用原有的框架，借助大数据应用解决各种问题；第二是一些研究人员在尝试突破各种边界和限制。”他举例道，一些科学家尝试把人类聚焦感官数据的能力（比如在嘈杂环境中聚焦某一个声音）带到深度学习中，让深度学习网络也拥有选择特定问题、特定信息的能力。

比如研究人类的大脑运作机制，包括大脑是如何从经验中得出推论，但有时人类得出的结论并不总基于逻辑，其中还存在认知偏差。“人类的大脑很奇妙，我相信会有很多东西让我们很兴奋，包括未来研究人的大脑神经科学和人工智能的交融。”他如此说道。实际上，深度学习框架的灵感也正来自对人类大脑运作机制的研究。

世界各国对于脑科学的研究在近年来正成为一个重要工程在推进。美国在2013年提出“BRAIN计划”，目的就是创造新的神经技术，以加速对大脑功能和障碍的进一步了解，特伦斯也是这个计划的参与者。“我们关于大脑研究项目有一个5-10年计划。期望在这段时间内要提升人类测量和探知大脑的能力，研究出新方法和新工具，这也是所谓创新神经科学要做到的事。”他指出，希望基于此，形成新的深度学习规则。

提及进展，他告诉21世纪经济报道记者，“这肯定不是按照一年为单位计算，而是10-20年来看。现在我们进行的脑科学研究，是在建立一个科学家社区，培养学生，为他们提供相应工具，从而帮助技术更好地发展。我们现在处于早期的准备状态，在帮助科学家收集更多数据，最终推进AI的发展。当然进程还是比较快的。”

要探知的话题有很多，比如人脑对信息的处理和传输速度是毫秒级，远比电脑要慢。但大脑中的信息传递是非常复杂的过程，了解信息如何储存和处理后，才是人类有效改良AI的关键。还有一些挑战，假如神经元中的突触连接有所改变，是否会改变信息的输入和输出强度，需要多久才能发现信息传递带来的影响等。

近日埃隆·马斯克宣布旗下公司Neuralink项目推出侵入式脑机接口方案；Facebook团队也宣布能够通过读取脑损伤参与者的大脑，做到实时解码一小部分对话中的口语单词和短语。这都是对人脑研究的最新重大进展。特伦斯对此热切关注，其中一个原因是，Neuralink公司联合创始人之一Flip Sabes此前是特伦斯所在研究室的学生。

“我的研究室训练出了世界上最棒的认知神经科学家！”提及此，他十分兴奋。“这是我们迈出的重要一步，可以让我们解码更大量的神经元信息。在过去20年内，学界已经在尝试将芯片植入到大脑前额叶的位置，解码大脑给四肢发出的动作信号，以此帮助治疗脊椎类疾病引起的运动能力丧失。”

当然，对于脑科学的研究并不只是为了促成人工智能这类基础技术的发展，这将衍生出对更多行业领域的新变革。正如特伦斯在新书《深度学习》中所说，“我们是一个伟大的生物链（可以追溯到细菌出现之前）中的一员。现在我们已经到了理解大脑以及它们是如何发展的边缘，这将会是一个奇迹，能够永远改变我们对自己的看法。”