上週，我們介紹了耶魯大學學者利用AI預測人眼觀賞風景時移動規律的研究 ，這項研究採用的是被稱為深度卷積神經網路的技術。深度神經網路作為AI最常用的演算法之一，可以在很多領域下進行深度學習，並且做出和人類大腦相仿甚至更好的思考。
在深度神經網路出現之前，AI在識別影像，辨聽聲音的水平遠遜於人類。而受到人腦啟發而誕生的深度神經網路則擁有出色的表現。此前的AlphaZero可以在三種棋類比賽中戰勝各自領域中的頂尖棋手和AI，堪稱深度神經網路最優秀的代表之一。
醫學的發展可以讓醫生進行各種複雜的腦部手術，可是我們仍然沒有搞清大腦是如何思考的。有趣的是，儘管科學家已經編寫出了各式各樣的AI程式，他們也沒法徹底理解深度神經網路是如何做出決定的。AI和大腦在運作方式上的相似之處，似乎為人類詳細理解大腦思考方式提供了一個借鑑。
▲大腦和深度神經網路都由複雜的網路編織而成（圖片來源：Pixabay）
在弄清兩者間的相似之處之前，我們可以先簡要地瞭解深度神經網路的運作方式。資訊在深度神經網路中是透過一個個的計算節點（computational node）來傳輸的，而這些計算節點又分佈在很多連續的層（layer）中。AI在透過深度神經網路學習時，會匹配輸入的資訊和對應描述，並逐步調整各個計算節點之間的強度，從而獲得獨立處理資訊的能力。
你可以回想一下中學生物課上的知識：“人的神經系統包含數以百億甚至千億計的神經元（又稱神經細胞），是神經系統結構和功能的基本單位。人體內各個神經元的突起末端都與多個神經元的突起相接觸，形成非常複雜的網路。這個複雜的網路就是人體內資訊傳遞和處理的結構基礎。”某種程度上，深度神經網路中的計算節點，對應的就是大腦中的神經元；深度神經網路中由無數個計算節點構成的各個層則對應了大腦中的神經網路。
正是由於AI和大腦之間存在這樣的相似之處，諸多科學家都把理解大腦的重任寄希望於AI。史丹佛大學的心理系助理教授Daniel Yamins博士就在探索AI的深度學習是如何僅憑好奇心來探索世界的，這極可能和人類在嬰兒階段初次認識世界的過程相若。除此之外，我們很難知道嬰兒內心的真實想法，我們無法聽懂嬰兒的咿咿呀呀，也不能切開他們的大腦一探究竟（即便真的切開，恐怕也並沒什麼用）。
Yamins博士並非唯一有此想法的人，紐約福坦莫大學（Fordham University）認知神經科學助理教授Elissa Aminoff博士和她在匹茲堡卡耐基梅隆大學（Carnegie Mellon University）的同事就在嘗試用功能性核磁共振（fMRI）掃描大腦活動時的影像，並將其與深度神經網路運作時的影像做對比，希望藉此發現二者之間的共通之處。對比後的資訊不但可以幫助我們理解大腦的運作方式，還能反向回饋給神經網路以完善其演算法。
▲截至發稿時的大腦分數公告牌排名（圖片來源：brain-score.org網站截圖）
但是要讓AI的深度神經網路更擬人，科學家們似乎還有很長的路要走。麻省理工大學（MIT）的神經科學教授Jonas Kubilius博士和他的博士生不久前上線了一個大腦分數公告牌（Brain-score.org），用於展示各個深度神經網路在擬人方面的成果。意外的是，目前很多高分神經網路並非是和大腦最相似的設計。Kubilius教授的團隊期望這個公告牌可以為深度神經網路的“進化”提供參考，以促進學界對於神經網路和大腦更深層次的理解。
或許在未來某天，深度神經網路可以真正達到擬人。對於科學家們而言，最重要的是：不要被想象束縛了手腳。
參考資料：
[1] Smarter AIs could help us understand how our brains interpret the world. Retrieved Dec 20, 2018 from https://www.sciencemag.org/news/2018/09/smarter-ais-could-help-us-understand-how-our-brains-interpret-world
[2] Can AI Help Us Understand the Human Brain? Retrieved Dec 20, 2018 https://www.geek.com/science/can-ai-help-us-understand-the-human-brain-1739189/