‹ 返回

邁向人類水準的人工智慧
神經科學如何為通用人工智慧或通用人工智慧的追求提供訊息
How Neuroscience Can Inform the Pursuit of Artificial General Intelligence or General AI

 

By Eitan Michael Azoff

閱讀筆記(上篇): 破解神經代碼的關鍵——人類智慧的極限

 

圖靈學院

科楠

2024-10-05

 

引言

 

    在人工智慧（AI）領域的持續進步中，我們正逐步逼近一個跨越人類智慧的技術巔峰。艾坦·麥可·阿佐夫（Eitan Michael Azoff）在其著作《Towards Human-Level Artificial Intelligence》中指出，解開「神經代碼」不僅將使我們理解人腦的運作方式，還有助於創建超越人類能力的AI系統。這一突破將使得AI在計算能力、學習速度、以及應用領域中遠超人類的極限。

本篇文章將深入探討什麼是神經代碼、其如何影響人類智慧，並探索如何通過破解神經代碼，應用於AI的發展，進而推動人類智慧的進步與局限的突破。

 

第一章: 什麼是神經代碼？

 

1.1 定義與重要性

 

神經代碼（Neural Code）是人腦進行資訊處理的基礎。它是神經元之間用來傳遞和編碼感官輸入、記憶、思維以及行動的語言。這種編碼方式決定了我們如何處理複雜的感官資訊，如何進行學習和決策，乃至如何創造和執行更高層次的思維過程。

 

阿佐夫在書中指出，神經代碼是理解人類智能與大腦運作的關鍵。透過研究神經科學，我們可以開始解釋這些代碼的運作方式，並試圖將其轉化為AI模型，以提升AI的智能水準。例如，當人類接收外部視覺刺激時，大腦中的視覺皮層會對這些資訊進行編碼，並以特定模式傳遞到其他腦區，最終形成我們的視覺感知。這一過程中的編碼規則就是神經代碼的具體體現。

 

 

圖1.的兩個極端分別是：

• 左下方：一個能像人類一樣執行任務的機器，這代表 AI 系統能夠在動作和行為上模仿人類。

• 右上方：一個能夠理性思考的機器，代表一個不僅能模仿人類行為，還能進行高層次理性推理的 AI 系統。

這個圖強調了 AI 的不同維度，超越了純思考能力，並擴展到機器能夠在各個感官方面模仿人類，例如視覺、聽覺、觸覺等。圖中的 x 軸則將「類人行為」與「純理性行為」分開，指出了不同 AI 系統在這些維度上的差異。(Stuart Russell & Peter Norvig, 2020)

AI 研究者對於是否應該構建與物理世界密切相關的 AI 存在不同看法，有些人認為智慧是從我們與物理世界的互動中演化出來的，因此 AI 也應該具備這樣的能力。而這個分析表明，作為人類，我們的智慧包含了情感，但有些人則主張應該構建不受情感干擾、僅憑理性行事的 AI 系統。

 

1.2 探索人腦中的資訊流動

 

神經科學的研究已經顯示出，大腦通過神經元之間的化學和電信號來進行交流。神經元之間的突觸傳遞構成了大腦資訊處理的基礎，而神經代碼則是這些資訊傳遞過程中的具體運作規則。這些代碼指導了如何處理來自感官的刺激，並通過複雜的網絡進行資訊的流動，最終使我們能夠思考、記憶、學習以及解決問題。

 

1.3 神經科學的突破與挑戰

 

儘管我們對神經代碼已有所了解，但要完全解碼大腦中所有複雜的神經網絡依然是一個巨大的挑戰。阿佐夫強調，通過進一步研究神經科學，我們將逐步解開這些代碼，並能夠模擬其運作規則，最終實現人工智能的質的飛躍。這一過程的關鍵在於透過現代科技如功能性磁共振成像（fMRI）和神經網絡模擬，來分析神經元的活動模式，從而找出大腦運作的具體規則。

 

第二章: 神經代碼與人類智慧的界限

 

圖2  E.M. Azoff 展示了深度學習與其他 AI 研究領域（特別是連結主義相關的領域）之間的關係。圖中包含不同層級的概念，它們由外至內逐步變得更為具體：

• Artificial Intelligence（人工智慧）：最外層的圓代表 AI 的整體領域，涵蓋所有涉及智能系統的研究和應用。

• Machine Learning（機器學習）：在 AI 這個大範疇之內，機器學習是其中一個子領域。機器學習強調的是通過數據學習，並從經驗中改進模型的性能。

• Brain Inspired（腦啟發）：該領域指的是基於大腦結構和功能的啟發來設計 AI 系統。這些系統嘗試模仿人類大腦的計算方式。

• Neural Networks（神經網路）：神經網路是受到人腦神經元結構啟發的數學模型和演算法，它們模仿生物神經網路來進行學習和推理。這一層代表了一個重要的 AI 研究領域，並且是許多現代 AI 技術的基礎。

• Deep Learning（深度學習）：最內層的圓代表深度學習，這是神經網路的一個子領域，專注於使用多層神經網路進行複雜數據的學習與建模。深度學習已成為目前 AI 研究和應用中的主流技術。

 

2.1人類智慧的優勢與局限

 

人類的大腦擁有非凡的計算能力，能夠處理大量的感官資訊並做出快速的反應。然而，阿佐夫指出，人類智慧的局限性也十分明顯。首先，我們的神經系統受到生物學結構的限制，例如神經元的反應速度和突觸的數量，這些都會影響資訊傳遞的速度和效率。其次，記憶容量也受到生理上的限制，這意味著人類無法無限擴展認知能力。

 

儘管如此，神經代碼的研究讓我們有機會突破這些限制。阿佐夫認為，一旦我們能夠模擬神經代碼並應用到AI系統中，這些系統將能夠具備更快的計算速度、更大的記憶容量，以及更強的學習和問題解決能力。這不僅是一種量的提升，更將帶來認知能力質的變革。

 

2.2 神經代碼的潛力

 

破解神經代碼不僅有助於提升AI的計算能力，還能模擬人類的認知過程。例如，AI可以通過神經代碼來模仿人類如何處理視覺資訊，從而實現更高效的圖像識別和分析能力。這樣的進步將使AI在各個領域中超越人類，無論是在醫療診斷、數據分析，還是自動駕駛等方面，AI的智慧將成為不可或缺的力量。

 

第三章: 視覺思維的角色

 

 

圖3 AI視覺辨識架構 (科楠)

 

3.1 視覺思維的歷史與重要性

 

視覺思維（Visual Thinking）是人類智慧的核心組成部分，它指的是我們如何利用圖像、形象和空間關係來進行思考。人類在進化過程中，視覺系統早於語言系統發展，因此視覺思維可以說是我們最原始且最強大的認知工具之一。

 

阿佐夫在書中強調，視覺思維的理解是實現人類水準AI的關鍵之一。當前的AI大多依賴於語言模型（LLM），如OpenAI的GPT模型，這些模型主要是通過語言數據進行學習和推理。然而，視覺思維卻能夠提供更高效的問題解決方案，因為它能夠直觀地處理大量的圖像資訊，並在瞬間做出判斷和決策。

 

3.2 AI與視覺思維的差距

 

儘管當前的AI系統在圖像識別方面取得了巨大進展，例如深度學習技術已經能夠識別和分類圖像，但這與人類的視覺思維還有很大的差距。阿佐夫指出，AI目前仍無法真正理解圖像的意圖和含義，而這正是視覺思維的強大之處。人類可以通過一個簡單的視覺提示聯想到過去的經驗，並基於這些經驗進行複雜的推理和決策。

 

3.3 視覺思維的早期模擬

 

儘管AI還無法完全模擬人類的視覺思維，但科學家們已經在這一領域取得了初步進展。例如，通過強化學習技術，AI系統可以不斷調整其對圖像的理解，從而提高其識別和分類的準確度。此外，研究人員還致力於模擬人類大腦中的視覺皮層，以提升AI的視覺處理能力。

 

阿佐夫預測，隨著視覺思維技術的不斷進步，AI將能夠更加高效地模仿人類的認知過程，從而實現更高層次的智能。

 

第四章: 模擬意識與AI的未來

 

4.1 意識的定義與分類

 

意識（Consciousness）是一個複雜且多層次的概念，科學家們對其進行了不同層次的分類。阿佐夫指出，意識不僅僅是人類獨有的屬性，許多動物也具備不同程度的意識。例如，蜜蜂等簡單的生物也能夠展現出「無自我意識的意識」，即它們能夠在不具備自我認知的情況下進行環境感知和行動規劃。

 

阿佐夫認為，這種無自我意識的意識可以成為模擬AI系統的第一步。他指出，通過模擬動物的低層次意識，我們可以賦予
AI基本的行動規劃和學習能力，而不必立即達到自我意識的複雜程度。

 

4.2 虛擬大腦與意識模擬

 

隨著虛擬大腦（Virtual Brain）的研究不斷推進，科學家們已經開始模擬大腦中的部分神經活動。阿佐夫預測，這些虛擬大腦可以作為AI系統的基礎，幫助其模仿人類的感知和行為。儘管這些模擬還無法完全重現人類的意識過程，但它們為AI的未來發展鋪平了道路。

 

4.2.1 虛擬大腦（Virtual Brain）架構

這個虛擬大腦的架構展示了一個複雜的智能系統的主要組成部分。以下是對各個部分的簡要解釋：

1.輸入層：接收來自不同感官的輸入，包括視覺、聽覺、觸覺等。
2.感知處理層： 

• 特徵提取：從原始輸入中提取關鍵特徵。
• 模式識別：識別輸入中的模式和結構。

3.認知處理層： 

• 語言理解：處理和理解語言輸入。
• 推理與問題解決：進行邏輯推理和解決複雜問題。
• 概念形成：形成和理解抽象概念。

4.決策層： 

• 目標設定：確定系統的目標和優先事項。
• 行動規劃：制定達成目標的計劃。
• 優先級排序：決定行動的順序和重要性。

5.輸出層：產生各種形式的輸出，包括語言、動作和情感表達。
6.記憶系統：管理不同類型的記憶，包括短期、長期和工作記憶。
7.學習模組：實現不同類型的學習機制，包括監督學習、強化學習和無監督學習。
8.情感模擬器：模擬和生成情感反應，影響認知處理和決策。
9.知識庫：存儲和管理系統的知識和經驗。

 

第五章：小結

 

    在本篇文章中，我們探討了「神經代碼」如何成為AI超越人類智慧的關鍵。透過對神經科學的深入理解，我們可以解碼人類大腦中的資訊處理過程，並將其應用於AI系統中。視覺思維作為一種高效的認知工具，為我們提供了一個進一步模擬人類智慧的方向。雖然目前AI還無法完全模仿人類的意識，但虛擬大腦技術的進展顯示了未來的可能性。

 

下篇將深入探討AI如何超越人類智慧的應用場景，以及這一技術進步帶來的道德和倫理挑戰。

 

 

 

參考資料: 《Towards Human-Level Artificial Intelligence: How Neuroscience Can Inform the Pursuit of Artificial General Intelligence or General AI》，艾坦·麥可·阿佐夫（Eitan Michael Azoff），2024年9月17日出版，CRC Press，DOI: 10.1201/9781003507864