打造一個自動駕駛控制系統需要多少個神經元？

MIT的科學家告訴你，最少只要19個！方法是向線蟲這種初等生物學習。

最近，來自MIT CSAIL、維也納工業大學、奧地利科技學院的團隊已經開發了一種基于線蟲大腦的新型AI系統。研究成果登上了最近的《自然·機器智能》雜志。

他們發現，具有19個控制神經元的單個算法，通過253個突觸將32個封裝的輸入特征連接到輸出，可以學習把高維輸入映射到操縱命令。

這種新的AI系統用少量人工神經元控制車輛轉向。而基于CNN和LSTM的神經網絡打造同樣的自動駕駛系統，網絡結構則要復雜得多。

為何能做到這么少的神經元數量，論文共同一作MIT CSAIL博士后Ramin Hasani解釋說：

與以前的深度學習模型相比，每個單元內信號的處理都遵循不同的數學原理。

他們從秀麗隱桿線蟲這種生物受到啟發，在2018年提出了一種神經元回路策略（Neuronal Circuit Policies，NCP）。

NCP方法是重新利用生物神經回路模型的功能，創建可解釋的控制智能體，管理虛擬和現實世界的強化學習（RL）測試平臺。

該方法對線蟲的TW神經回路進行建模，這個回路主要負責線蟲對外部機械觸摸刺激的反射反應，通過掌握其突觸和神經元參數，作為控制基本強化學習任務的策略。

為了測試這種新的數學模型，團隊選擇了一項特別重要的測試任務——讓自動駕駛汽車保持在車道上。神經網絡接收攝像機拍攝的道路圖像，然后自動決定是向左還是向右轉。

諸如自動駕駛之類的復雜任務，往往需要具有數百萬個參數的深度學習模型。但是，用NCP方法能夠將網絡規模減少兩個數量級。

而這個19神經元極簡自動駕駛系統僅使用了7.5萬個訓練參數，參數數量降低了2個數量級。

NCP方法構建的自動駕駛系統也需要CNN，但是僅用于從攝像機傳入的視覺數據，并從中提取出結構特征。它與車輛的實際轉向無關。

后面的神經網絡來確定攝像機圖像的哪些部分重要，然后將信號傳遞到網絡的NCP控制系統。

系統的控制部分將感知系統中的數據轉換為轉向命令，僅包含19個神經元。

兩個子系統堆疊在一起并同時接受訓練，訓練數據集是波士頓地區人類駕駛汽車視頻，包括圖像與汽車轉向操作的關聯數據。

將它們一起輸入網絡，直到系統學會自動將圖像與適當的轉向系統連接起來，可以獨立處理新情況。

除了結構簡單外，用NCP設計的自動駕駛系統相比傳統模型，還有兩大優勢：可解釋性和魯棒性。

系統的可解釋性能讓我們我們看到網絡將注意力集中在什么方面。

從視頻中可以看出，神經網絡專注于圖像的非常具體的部分，比如路邊和地平線。研究人員表示，這種行為是在AI系統中是獨一無二的。

此外，可解釋性細化到了每個神經元。我們還能看到哪個神經元（視頻中亮起部分）在駕駛決策中的作用。我們可以了解單個神經元的功能及其行為。

為了測試對比與傳統模型和NCP模型的魯棒性，研究人員還給輸入圖像加入了擾動，并評估了智能體對噪聲的處理能力。結果NCP表現出了對輸入偽像的強大抵抗力。

除了可解釋性和魯棒性，NCP模型還有其他優勢。比如減少訓練時間，減少在相對簡單的系統中實現AI的不確定性。

Ramin Hasani博士還表示，NCP不僅能應用自動駕駛中，它能模仿學習意味著更廣泛的應用，比如倉庫的自動化機器人等等。
責編AJX