合成生物学能激发下波人工智能吗？

发布日期：2019-11-25 浏览次数：44

　　莱特兄弟（Wright Brothers）在20世纪初制造了上第架飞机时，从鸟类的“有见识”运动中汲取了灵感。他们观察并对自然机翼的各个方面进行了逆向工程，这反过来又帮助他们在空气动力学和推进方面取得了重要发现。

　　同样，要构建具有思考能力的机器，为什么不从我们两耳之间运作的三磅重物质中寻求灵感呢？人工智能的驱，图灵奖的获得者杰弗里·欣顿（Geoffrey Hinton）似乎同意：“我直坚信，使人工智能发挥作用的唯方法就是以类似于人脑的方式进行计算。”

　　那么，人工智能（AI）的下步是什么？下波AI会受到生物学快速发展的启发吗？在分子水平上理解大脑回路的工具是否可以使我们对人的思维方式有更高的系统层次的理解？

　　答案可能是肯定的，而且在学习生物系统与开发人工系统之间的思想交流实际上已经持续了数十年。

　　机器学习的起源：人脑科学

　　，生物学与机器学习有什么关系？得知机器学习的许多进步来自心理学和神经科学的见识，可能会让您感到惊讶。强化学习（RL）是机器学习的三个范式之（另外两个是监督学习和非监督学习），起源于可追溯至1940年代的动物和认知神经科学研究。RL是当今些进的AI系统的核心，例如AlphaGo（由的AI公司Google DeepMind开发的，广为人知的AI代理）。AlphaGo在Go（中国棋盘游戏）中击败了排名第的棋手，该棋盘游戏包含的棋盘组合数量超过了宇宙中原子的数量。

　　尽管AlphaGo在围棋游戏中具有超人的表现，但其人类对手仍然拥有更多的通用情报。他可以在任何环境下开车，讲语言，踢足球以及执行许多其他任务。当前的AI系统在很大程度上无法利用学到的知识来玩扑克并将其转移到另项任务上，例如玩Cluedo游戏。这些系统专注于单个狭窄的环境，需要大量的数据和培训时间。而且，他们仍然犯些简单的错误，例如将奇瓦瓦狗误认为松饼！

　　儿童和AI系统的共同点

　　与儿童学习类似，强化学习基于AI系统与其环境的交互作用。它采取的行动力图使报酬大化并避免惩罚。在好奇心的驱使下，孩子们是活跃的学习者，他们可以同时探索周围的环境并预测其行为的结果，从而使他们建立思考因果关系的思维模型。例如，如果他们决定推红色汽车，洒花瓶或向另个方向爬行，他们将根据其行动的结果来调整其行为。

　　孩子们会经历不同的环境，在其中他们发现自己经常以不同寻常的方式在各种情境和物体的处境中导航和互动。就像儿童大脑的发育可以激发AI系统的发展样，RL代理的学习机制与多巴胺的释放所驱动的大脑学习机制是平行的，多巴胺是中枢神经系统的神经递质，它可以根据经验训练前额叶皮层。从而塑造刺激反应的关联以及结果的预测。

　　合成生物学与人工智能

　　生物学是人工智能有希望的受益者之。从研究促成肥胖的令人难以置信的遗传突变组合到研究导致某些细胞失控并产生癌症的拜占庭途径，生物学产生了大量复杂而令人费解的数据。但是，这些数据集中包含的信息通常提供有价值的见解，可用于改善我们的健康状况。

　　在合成生物学域，工程师寻求“重新连接”活生物体并为其编程以新功能，许多科学正在利用AI设计更有效的实验，分析其数据并使用其来创建突破性的疗法。我近重点介绍了五将机器学习与合成生物学相结合的公司，以为更好的科学和更好的工程铺平道路。

　　人工智能：人工智能的圣杯

　　人工智能（AGI）描述了种能够模仿人类能力的系统，例如计划，推理或情感。在这个令人兴奋且可能有利可图的域中已投入了数十亿美元，这使些人提出了诸如“ 数据就是新石油 ”之类的主张。

　　在众多从事通用人工智能工作的公司中，有Google的DeepMind，瑞士AI实验室IDSIA，Nnaisense，Vicarious，Maluuba，OpenCog Foundation，Adaptive AI，LIDA和Numenta。组织，如机器智能研究所和OpenAI也是国 AGI作为他们的主要目标。国际人脑计划的目标之是模拟人脑。

　　尽管实现AGI需要越来越多的人才，工具和高质量数据，但要实现这目标，我们还有很长的路要走。

　　日常生活中的AI

　　如今，诸如机器学习（ML）之类的AI技术在我们的社会中无处不在，从医疗保健，制造业到运输和战争，都可以称为“狭窄的AI”。他们确实可以处理和学习大量数据，以识别项任务的有见地和信息丰富的模式，例如预测机票价格，在图像中区分狗和猫，以及在Netflix上生成电影推荐。

　　在生物学中，人工智能也在改变您的医疗保健。它正在产生更多更好的候选药物（Insitro），对基因组进行测序（Veritas Genetics），以及越来越早地检测出癌症（Freenom）。

　　我们从这里去哪里？

　　作为人类，我们能够在种情况下快速获取知识，并将其跨多种新颖的情况和任务推广到另种环境，这将使我们能够开发出更高效的自动驾驶汽车系统，因为他们需要同时在路上执行许多任务。在AI研究中，此概念称为转移学习。它帮助AI系统仅从几个示例中学习，而不是传统计算系统通常需要的数百万个示例，来构建个从第原理中学习，抽象所获得的知识并将其概括为新任务和环境的系统。

　　为了产生更进的AI，我们需要更好地了解大脑的内部运作方式，从而描绘出周围的。在理解生物智能与创造人工智能之间存在协同作用，从大脑中寻求灵感可能有助于我们弥合这差距。