巡洋舰新年聚会总结

2020-01-10 约 2870 字预计阅读 6 分钟

新年跨年之际，铁哥组织了巡洋舰五周年的跨年聚会，这也是巡洋舰办理的首次专业年会。一批人工智能，脑科学，复杂系统的专家粉丝聚会五道口，参与了这次精心设计的跨学科对话。令铁哥出乎意料的是，有四十多位机器学习和脑科学领域的朋友报名过来，这种对交叉领域的热情远超预期。

事实上，这两个学科的交叉体现在两个方面，一个是利用当下人工智能的快速发展如何有效的理解我们的大脑，治疗脑疾病，甚至改善（强化）我们的大脑认知能力。另一个是如何利用当下脑科学的理解去促进我们跨过人工智能的发展瓶颈。事实上，这两个方向成为整个讲座的焦点。我发现的一个有趣的现象是脑科学的内容之丰富，甚至远超当下正红的AI，然而却有极少的AI专家真正关心它，因此促成两个学科的联姻，尤其是在当下AI大潮下吸引更多的机器学习工作者关注脑科学，也成为我们的核心工作所在。

在此略微总结内容，关于我的讲座会有更详细的文章介绍。

**Session I 脑科学家握手人工智能

宇宙中最神秘的是我们的大脑，不仅它是与我们人的健康和生活质量最息息相关的东西，而且更是人工智能汲取灵感的源头所在。

主题分享 《脑科学发展前沿》

陈育涵

来自北师大的陈育涵老师具有物理学，复杂科学，计算神经科学，认知神经科学的多重背景。陈老师的讲座围绕一个核心主题，大脑的结构是如何从低等生物一步步进化的，以及什么是脑网络连接的优化原则。一方面这些原则在人类这种超级生命体中是如何被利用的。另一方面它可能如何启发人工智能。

讲座从最简单的线虫生物开始，即便对于这个拥有最简单的只有302个神经元的线虫，它究竟如何实现基本的功能，仍然面临很大困难，借助最先进的实验方法，我们可以一个个改变神经元的激活来看对线虫运动的影响。由于生物的每个神经元都其实十分复杂，理解这些神经元如何控制线虫的前进和后退都是一个巨大的挑战，我们幸运的部分挑战了这个问题。

对于哺乳系大脑，甚至更加高级的灵长类大脑，从全脑神经环路的角度来分析大脑功能的实现则更为困难，然而我们可以抓住最核心的原则-比如脑区的模块化。我们知道不同生物的虽然脑的大小不同，然而大脑灰质和白质的比例却服从一个幂律分布，即使最高等的人都不例外，这无疑暗示了动物大脑连接结构的某种共性。基于多种多样的实验手段，我们可以收集脑区之间结构连接，脑区的活动，能量代谢水平数据等，构建人类的脑网络连接，来证实或证伪这种共性。

那么这种共性的产生来源是什么呢？其实它很可能来自能量的约束。我们知道其实对于进化的如此复杂的人脑，它已经是一个躯体中的最大耗能器官，那么如何优化节能是全脑结构的第一个优化目标，而第二个重要目标是我们的大脑不可以让某个脑区承担所有的信息流动（超级hub），因为这会造成超级hub承受太多的压力，而最终崩溃掉，因此减小风险成为第二个优化目标。根据这些原则我们可以推导出大脑可能的功能连接图。这种理解可以帮我们理解设么样的人老年痴呆风险会比较高，同时对于构建更为复杂的深度学习网络提供一些启发性的原则。

主题分享 《脑科学握手人工智能》

许铁

人工智能从发展之初就和神经科学有着不解渊源，虽然它每次都从大脑的结构取经，过一段又总会自负的离开，直到遇到坑又回去。今天这样的情形是不是再度接近？

我将从深度学习的危机谈起，看我们该如何从大脑结构本身取经，来改善我们的AI人工智能。我简略的介绍了我在神经导航方面的工作。

首先slam神经导航已经连续几年成为机器学习和机器人领域的热点话题。然而，当下的技术距离真正的能够像生物一样灵活的在空间里运动依然距离遥远。

这其中的希望之一是利用当下神经科学的认知，把这种认知嫁接到机器学习模型里。我的工作正是从这个角度切入。

生物是如何对空间进行认知的争议已久，自康德，庞家莱以来，人们分成两个学派，一个可以称为认知地图学派，也就是说脑网络存在一个可以把事件记忆转化为地图。另一个可以叫做行为主义流派，也就是说一切看似娴熟的空间导航都可以看做直接根据记忆完成的一系列条件反射。

如何把这种理解变作机器学习的理论呢，我利用一套预训练流程让人工神经网络产生类似的认知地图和行为主义的偏好，然后利用这种“元认知”训练它们在不同的空间地图上进行导航。我们会发现不同流派的神经网络在不同的任务上具有优势，而两种能力几乎很能同时拥有。

最后，我把这两种元学习能力合并起来，组成一个能够快速适应各种环境变体的网络。该作品对可以在未来有可能应用于无人驾驶的更加灵活的slam技术具有借鉴价值。该作品发表在深度学习顶会ICLR（2020）上。

此外，我介绍了如何通过计算神经科学或脑科学的相关知识，改善当下的人工智能模型。

**Session II AI 克服复杂性

来自不同应用领域的专家将结合自身专业谈谈AI的落地应用

主题分享《人工智能在基因工程领域的应用》

王落桐

主题简介：

北大博士王洛桐介绍了自己在深度学习应用于基因检测方向的工作。如何巧妙利用深度学习模型进行基因解码。改讲座介绍了三代基因测序技术的演进，以及如何用深度学习模型（RNN+LSTM）来解决基因测序的各种不确定性。这里我们看到了解决基因问题和自然语言处理问题的深刻相似性，以及AI如何助力我们解决一系列重大生命科学问题。