编者按：深度学习在单个领域已经取得了可喜的突破。但是若论综合实力，现在的AI根本无法跟人相比。人是通用学习机器，但AI不是。脑科学家Jeff Hawkins 称科学家需要不断从人脑那里寻找灵感来开发一般人工智能。为此，他认为自己团队的最近发现也许为AGI的实现描绘了一幅清晰的路线图。
诸如“深度学习”和“卷积神经网络”等人工智能技术在图像识别、自动驾驶汽车等其他困难任务方面已经取得了惊人的进步。随着融资和收购行为的加速，众多的人工智能公司看上去已经站在了风口的位置。
然而，主要的人工智能研究人员却意识到事情有点不对劲。尽管取得了令人印象深刻的进展，但目前的人工智能技术其实是很局限的。例如，深度学习网络在开始能够正确工作之前通常需要数百万个训练样例，而人类只需要看几次就可以学习新的东西。这限制了深度学习网络的应用类型。虽然这些网络的平均准确度很高，但还是会错得非常离谱。比方说，图像中的一点微小的变化也会导致AI系统将牙刷误认为是棒球棒。在一些应用中，这类错误可能会导致灾难性的失败，造成致死和受伤。由于这样那样的限制，人工智能的领导者认为应该换种思路去做。最著名的人工智能科学家之一Geoff Hinton最近在解释他对当前的AI技术感到“非常怀疑”时表示，我们需要另起炉灶。 “我的看法是要把它全部扔掉，重新开始。”深度学习网络领先的实践者Francois Chollet下结论说：“你没法靠扩展如今的深度学习技术实现一般人工智能。”
Chollet认为，从根本上来说深度学习是有限的，但人类智能不是。的确，人脑极其灵活。人类不仅会驾驶汽车，我们还可以建造摩天大楼，管理农场和对计算机编程。甚至我们拿起简单物体，比如拿起咖啡杯然后用手指熟练操纵的能力，也远远超出了任何AI系统之所及。我们每个人都已经学会了数以百计的复杂技能，并且能够连续不断的混合运用。反过来，深度学习系统只能处理相对较少的任务，而且一次只能做一件事。每一项新任务它们都需要进行重新训练。人类是通用学习机器；但AI系统不是。人工智能要想继续取得成功有赖于于突破当前的局限性，使AI更通用。
最近人工智能科学家已经开始在大脑上面寻找灵感。 Google DeepMind联合创始人Demis Hassibis表示：“我们试图开发的那种一般智能是否存在？对于这个问题人类大脑是我们现在唯一的证据，所以我们认为理解大脑是如何实现这些能力的努力是值得的。”
我同意。我一直在研究大脑，至今已有三十多年。 2004年，我写了《关于智能》，这本书提出了AI对大脑理论有何种需要的建议。 2005年，我跟人一起创立了Numenta公司，该公司专注于对新大脑皮层，也就是人脑最重要的、与智能关系最密切部分进行逆向工程。我们试图通过研究大脑细胞如何共同建立知觉和行为来理解什么是智能。大脑的工作机制和目前的AI技术有相似之处，这说明AI正走在正确的轨道上。但是两者之间也有着显著差异。大脑的能力不仅比现有的AI系统强得多，而且大脑的具体结构也远比AI所使用的人工神经网络的结构复杂得多。大脑正在做的事情目前的AI系统做不了。
Numenta的研究揭示了大脑使用的几个重要原则，那种我们相信AI最终必须将其纳入的原则。比如说，大脑的每个神经元都有成千上万个个突触（神经元之间的连接）。这些突触大部分是做什么用的至今还是个谜。我们还发现神经元利用了大部分的突触来做出预测。这些预测发生在细胞内部，并在我们如何预测未来中扮演着必不可少的角色。 AI里面使用的人工神经元没有这个特性，也不能像大脑那样做出丰富多样的预测。我们还发现为什么在大脑中的学习主要是通过形成新的突触来实现的。这是一种比深度学习修改现有连接的做法更强大的学习形式。它解释了我们是如何快速学习新事物同时又不会影响到以前的学习的。
虽然我们还有好几个其他对智能至关重要的发现，但是这里我还是想说一下我们最近的一个也许是最重要的发现。我们正在研究如何通过触摸来识别物体。由此我们推断出新大脑皮层的一个新特性，它不仅适用于触摸，而且也适用于视觉，以及新皮层所做的一切。我有时把它称为“缺失的要素”，或者正如本文的标题所说，是“强AI的秘密”。我们最近发表了一篇科学论文详细介绍了这一发现；我会在这里概括介绍一下。
看看这张图。这显然是个杯子。但是，当然，它其实并不是杯子，而是一个平面上的线条集合。令人惊讶的是，你很难把这个图像看成是一个平面上的线条集合而不是一个三维的杯子。脑科学家普遍认为，新大脑皮层从人眼中提取图像，然后通过一系列步骤老析取出越来越复杂的特征，直到它识别出图像。深度学习的工作机制也是这样的。这个过程被称为模式识别，深度学习网络很擅长这个。在用许多图像进行训练之后，拿一张新的图像出来它就能告诉你是什么。但是除了标签以外，它们并不理解这个对象还是什么。与之相反相反，当你看到一幅图像时，你马上技能感觉到它的三维形状。你可以想象从不同的角度来看它会是什么样的，你会知道它可能可以装液体，甚至知道它摸起来会是什么感觉。深度学习网络擅长给图像贴标签但不理解它是什么，而新皮层理解对象的结构以及它的行为。
直到最近，还没有人理解新大脑皮层是如何将平面图像转化为真实物体的心理表征的。我们弄明白了大脑是如何做到这一点的。我们推断所有到新皮层的输入都是跟表示“位置”的信号相配对的。当你看着杯子的图像时，图像的每个部分，每条线段都会分配给三维杯子的相应位置。这与计算机创建对象的CAD模型相似。我们的理论解释了为什么你从三维角度来感知杯子，为什么你会想象旋转杯子会是什么样子，以及如果你触摸它的话会是什么感觉。这也解释了为什么你对杯子的感觉是稳定的，即便你的眼睛移动并凝视图像上的不同位置也是如此。只要输入特征被分配到杯子相应的正确位置，图像出现在视网膜的任何地方都没有关系。
我们一直在探索这个发现的意义，并相信它可以解决大脑如何工作的许多奥秘。尽管我们先是通过研究触觉然后视觉来推断出这个属性的，但是确定位置信号的神经结构存在于新皮质的每个部分。这令人振奋地表明，新皮层中的所有处理都与位置有关，即使这些位置与世界的物理位置并不一一对应。这也表明我们利用了操纵物理实体的相同神经机制来操纵抽象概念。当然了，操纵概念是一般智能的核心特征。
数十年来人们一直在讨论AI需要模仿大脑的多少东西的问题。最近仅跟大脑松散相关的深度学习的成功，给无需大脑理论AI也能取得进展的说法提供了支持。但是，这种成功了突出了深度学习的局限性，使得对新方法的需求更加明显。大脑显然是是寻找新想法的好地方。Amazon CEO 贝索斯最近表示：“人类所做的事情跟目前我们做机器学习和机器智能的方式有着根本的不同。”
说到构建通用AI，我们不需要模仿大脑所做的一切。 但是大脑所运用的一些原则不容忽视， 它们对于任何展现出一般人工智能的系统都是必不可少的。我们通过研究发现了其中的几个基本原理。我相信，我们最近的发现将被证明是最重要的。它完全改变了我们对大脑处理感官输入的认知，以及大脑如何表示对世界的认识的思考。
我们希望，随着越来越多的人工智能从业人员认识到现有人工智能技术的局限性，他们也能认识到一般人工智能的路线图正在脑理论界迅速形成。大脑理论的发现可能还需要几年的时间才能完全整合进人工智能，但对于我来说，如何实现目标的路线图已经非常清晰。
原文地址：https://medium.com/@Numenta/the-secret-to-strong-ai-61d153e26273
