taiwantrade
活動+

人工智慧與認知神經科學

  • 林育中

深度學習的前身是類神經網絡,與90年代由認知神經科學研究者提出的大腦皮層發育理論密切相關。人的神經元以及其間的連結-突觸與我們的記憶、學習、習慣之間的關係一直是這30年來《Scientific American》隔一陣子就要探討的主題。(圖片來源:Pixabay)

相較於其它新興科技,人工智慧成為一個獨立學術研究領域的時間起的很早,迄今已逾一甲子。目前涵蓋的應用領域包括自然語言、策略遊戲、自駕車、內容傳遞網路的智慧路徑、軍事模擬和複雜數據的詮釋。剛開過的Semicon Taiwan 2017中AI與IoT論壇的焦點在自駕車晶片-邊緣端(edge)人工智慧,這是台灣在人工智慧領域較容易切入的領域。對台灣而言,牽涉到的演算法基礎研究較少,入門門檻不高;應用定義狹窄、明確,容易達標;邊緣端數量龐大,市場自然也大;而晶片的設計與製造本是台灣優而為之的拿手好戲。

人工智慧過去研究的發展起起伏伏,經歷了幾次成果與投入經費的寒冬。一直到2015年,計劃項目才呈爆發性的成長。能達到目前的成果電子業傾向於將之歸諸於三個因素:計算能力的提升、巨量的儲存以及快速的網路。這個方向的進步是電子產業行內人容易見到的,然而還有其它重要支持因素。

人工智慧有許多演算法,有些是比較成熟知識領域的應用,譬如貝氏(Bayesian)演算法是基於已完整建立的統計學知識;有些演算法其背景知識還尚在快速發展之中,譬如現在於許多應用領域迭放異彩的深度學習。深度學習的前身是類神經網絡,與20世紀90年代由認知神經科學研究者提出的大腦皮層發育理論密切相關。深度學習目前所遭受的主要批評為它的理論是黑箱子,因而演算效率比較難系統性的改善,這是因為它的背景理論知識也算還在嬰兒期的緣故。人的神經元(neuron)以及其間的連結-突觸(synapse)與我們的記憶、學習、習慣之間的關係一直是這30年來《Scientific American》隔一陣子就要探討的主題。

人工智慧的目標多重,研究的策略是分而治之(divide and conquer)。個別項目包括推理與解題、知識表示(knowledge representation)、計劃、學習、自然語言處理、感知、運動與控制、社交智慧(social intelligence)、創造力、通用智慧(general intelligence)等。其中創造力一項進展最遲緩,甚至關於人工智慧創造力的定義、檢驗方法和人工智慧能不能真正擁有創造力意見都還很分歧,主要原因是在認知神經科學領域中創造力原本就是一個艱難的題目。

幸好21世紀以後人類基因圖譜、腦造影、腦機介面技術發展一日千里,這對於以模仿人腦運作方式為主的演算法提供理論背景知識的動力,有機會將黑箱拆解成有功能區塊、個別元件的線路圖。譬如最近的研究發現記憶與CERB蛋白質有密切的關係,時間上接近的兩組事件在形成記憶的神經元重複較多,因而一個事件的記憶容易引發另一事件的記憶。現在的腦造影技術可以清楚的識別每個單一的神經元、突觸以及它們的激發,上述記憶交互連結模式可以在腦造影技術下清楚呈現。這跟人工智慧有什麼關係?聯想是創造力的重要方式之一,這就可以用於建立人工智慧創造力的模型建構。

對於人工智慧以取得近似最佳解的策略,模擬人腦結構以打造演算法到目前為止看來是終南捷徑,也還有隨著其背後認知神經科學快速成長的空間。也難怪前幾天深度學習先驅Geoffrey Hinton開始質疑深度學習中重要方法反向傳遞(back-propagating)時,雖然引起行內的震撼,卻是意料之外、情理之中的事。

現為DIGITIMES顧問,1988年獲物理學博士學位,任教於中央大學,後轉往科技產業發展。曾任茂德科技董事及副總、普天茂德科技總經理、康帝科技總經理等職位。曾於 Taiwan Semicon 任諮詢委員,主持黃光論壇。2001~2002 獲選為台灣半導體產業協會監事、監事長。現在於台大物理系訪問研究,主要研究領域為自旋電子學相關物質及機制的基礎研究。