從搜索引擎到自動駕駛汽車，人工智能（AI）已經應用于日常生活的方方面面。這與近年來飛躍式的算力進步有很大關系。但 AI 研究的最新結果表明，更簡單小巧的神經網絡可以更好，更有效且更可靠地解決某些任務。

近日，麻省理工學院計算機科學與人工智能實驗室（MIT CSAIL），維也納工業大學和奧地利科技學院的國際研究團隊開發出了一種新型 AI 系統。

這種新穎的 AI 系統受到線蟲等細小動物的大腦的啟發，其核心控制系統僅用 19 個神經元就能操控車輛，實現自動駕駛。

研究團隊表示，該系統比以前的深度學習模型具有決定性的優勢。它可以更好地應對噪聲的輸入，而且由于其構造的簡單性，人們可以很好地解釋其操作模式，不再是 “復雜的黑匣子”。這種新的深度學習模型現已發布在 Nature Machine Intelligence 上。

谷歌軟件工程師兼 AI 研究員 Fran?ois Chollet 表示，“神經回路政策是一種受生物神經元啟發的有前途的新架構。它生成的模型非常小，但能處理復雜任務。這種簡單性使其更強大，更易解釋。”

類似于大腦，人工神經網絡由許多單個神經元組成。當一個神經元處于活動狀態時，它將向其他神經元發送信號。下一個神經元會收集所有信號，組合起來并決定其自身是否激活。一個神經元影響下一個神經元的方式決定了整個系統的下一次行為。這些參數會在自動學習過程中不斷調整，直到神經網絡可以解決特定任務為止。

多年來，科學家們一直在研究可以從自然界中學到什么，以改善深度學習。秀麗隱桿線蟲是一個典型的研究對象，它只有數量極少的神經元，但仍然表現出非常有趣的行為模式，因為它的神經系統可以用非常高效而和諧的方式處理信息。

麻省理工學院 CSAIL 主任 Daniela Rus 教授表示，“大自然向我們展示了巨大的進步空間。我們的目標是大幅降低復雜性并開發一種新型神經網絡架構。”

與之前的深度學習模型相比，新架構的神經元和數學模型都是全新的，單個神經元的信號處理方式遵循了完全不同的數學原理。整個網絡非常稀疏，因為并非每個神經元之間都互相連接在一起。這讓模型變得更簡單。

為了測試新想法，研究團隊選擇了一項特別重要的任務：自動駕駛汽車并維持在車道上。神經網絡將攝像機捕捉的道路圖像作為輸入值，并自主決定是向右還是向左微調方向。

目前，用來實現自動駕駛等復雜任務的深度學習模型通常擁有數百萬個參數。相比之下，新架構僅用到了 7.5 萬個可訓練參數，規模減少了兩個數量級。

新系統由兩部分組成：卷積神經網絡和控制系統。

攝像機的輸入首先會經過卷積神經網絡，它僅負責處理視覺數據并從像素中提取結構特征，找到那些有趣和重要的信息，然后將信號傳輸到車輛的控制系統中。

控制系統部分，又被稱為神經回路策略（NCP），可以將感知模塊中的數據轉換為轉向命令，僅包含 19 個神經元，比現有最好模型要小好幾個數量級。

兩個子系統堆疊在一起并同時接受訓練。訓練數據來自大波士頓地區，是由人類駕駛員完成的駕駛視頻，一同輸入網絡的還有何在任何給定情況下控制汽車方向的資料 —— 直到系統學會了自動將圖像與合適的轉向系統聯系起來，可以獨立處理新情況為止。

該深度學習模型已在自動駕駛汽車上進行了測試。研究人員可以輕易地找出，在駕駛時，神經網絡的注意力放在哪里：在這種情況下，是路肩和地平線。

他們還能確定每個神經元在駕駛決策中發揮的作用，即每個神經元的功能和行為。對于規模更大的深度學習模型，是不可能實現這種程度的可解釋性的。”

NCP 的魯棒性也經得住考驗。研究人員在輸入圖像中添加了干擾和噪聲，以測試 AI 的應對能力。得益于新神經網絡模型和架構，該模型表現出了強大的噪聲抵抗力。

研究人員 Ramin Hasani 認為，可解釋性和魯棒性是新模型的兩個最主要優勢，但它實際上還有更多優點，比如減少訓練時間，以及增加在簡單系統中實現 AI 的可能性。

“我們的 NCP 可以在廣泛應用中進行模仿學習，包括自動化工作和機器人運動，”Hasani 補充稱，“這些新發現為 AI 社區拓展了新的方向，生物神經系統中的計算原理可以成為創建高性能可解釋 AI 的重要資源，作為現有黑盒機器學習系統的替代品。”

責任編輯：xj

原文標題：MIT領銜發明新AI模型，19個神經元就能操控車輛行駛

文章出處：【微信公眾號：DeepTech深科技】歡迎添加關注！文章轉載請注明出處。