神经网路先驱提出深度学习替代模型 温故知新看齐大脑

过去20年，深度学习透过一系列的商业应用逐渐主导了AI的研究和应用。但一些根深蒂固的问题对深度学习技术的提升带来威胁。

根据IEEE Spectrum报导，典型的深度学习程序必须在严格控制的环境中执行，因此难以应用于多种任务。比较严重的是，深度学习因无法解释行为而被认为不可信赖，加上灾难性失忆问题（catastrophic forgetting），并不适用于医学等攸关生死的应用。

IEEE研究员Stephen Grossberg提出了一种生物和人工智能的替代模型，并将此模型称为自适应共振理论（ART）。Grossberg是波士顿大学认知和神经系统、数学和统计、心理和大脑科学以及生物医学工程领域的讲座教授，ART就是建立在关于大脑如何处理信息的理论基础上。

ART使用监督式和非监督式的学习方法来解决模式识别和预测的问题，一些大规模的应用已经在使用该理论的算法，例如对声呐和雷达信号进行分类、侦测睡眠呼吸暂停、推荐电影和电脑视觉驾驶辅助软件。

ART不会经历灾难性失忆，可以放心使用。ART解决了所谓的「稳定性—可塑性」两难问题：大脑或其他学习系统如何才能在不经历灾难性失忆（稳定性）的情况下快速自主学习（可塑性）。

大脑进化是为了适应新的挑战，大脑有一套机制可以控制人类如何在不忘记所学的情况下保留信息。人类会稳定留存过往经验的记忆，这些事件序列储存在工作记忆中，有助于预测我们未来的行为。

古典AI面临的其中一个问题就是其通常根据大脑可能运作的方式来建立模型，使用衍生自内省和常识的概念及操作。这种方法虽然很吸引人，但结果往往不足以建立一个生物大脑真正运作方式的模型。

AI目前的问题在于试图模仿大脑处理的结果，而不是探索产生结果的机制。大脑中的专门回路让人类的行为可以实时适应新的情况和感觉。

ART的网络源自于人和动物如何与环境互动的思想实验。ART回路是人类和其他陆地动物成功适应多种环境约束的计算解决方案。这显示ART设计可能会以某种形式体现在所有未来自主式自适应智能装置内，而科技和AI的未来将越来越依赖这种自我调节系统。

责任编辑：陈至娴