【IJAC推文】德国马普所：深层神经网络为何无法媲美生物智能？如何突破瓶颈？
当今最先进的人工智能系统仍处于两个级别，而强大的 AI 系统必须有三个级别，即T3-agent，也称为T3 系统：该系统能够使人工智能达到媲美人类智能的高度，满足复杂环境所提出的要求。
2013年4月，美国正式公布一项被认为可与人类基因组计划比肩的脑科学研究计划。对人类而言，大脑的复杂程度及发挥的作用是其他任何器官无法比拟的，人脑的高能效、高可靠性之谜，对人工智能研发具有重大意义。鉴于此，脑科学被发达国家视为科研领域"皇冠上的明珠"，并得以蓬勃发展，成为近20年来发展最快的学科之一。而人脑，虽然一直被研究和模仿，其中隐藏的智慧却始终未被超越。
图片来自网络
为何当前高度发达的深层神经网络仍然无法媲美生物智能？我们又能对此做些什么？
本月，在IJAC推出的“类人计算”专题中，来自德国马普所脑研究所(Max-Planck Institute for Brain Research，德国顶级研究所)的Danko Nikolic博士就这两个问题展开了详细研究。他提出了一种通用理论---Practopoiesis理论(Theory of Practopoiesis)，该理论基于控制论，不仅适用于脑研究，也适用于人工智能研究。
图片来自SpringerLink
Practopoeisis理论认为，生物智能体由三个层级组成，大脑也具有相同结构，这被称为脑结构的三遍历理论(tri-traversal theory)，简称T3-结构。如下图所示：
图片来自文章
说明：大脑三遍历结构如图右半部所示。图左半部展示了知识进入大脑后，每一遍历所发挥的作用以及由此产生的成果。Top到Top-3展示了自适应水平的深度。
为了在人工智能体中产生与人脑相似的T3组织结构，就应该制定多种规则，就像强化学习理论中频繁使用的概念一样。这些规则间要有等级。通过规则等级，以及通过基于T2-agents的传统人工智能方法(是否有必要换成T3-agent)计算成年人行为变化总数是否满足真实生活环境变化的要求，可以定义自适应practopoeisis系统。
该研究发现：只有T3-agent可以有效应对复杂的真实环境。这意味着当前的人工智能研究方法，如神经网络深层结构，不能作为固定的网络研究结构，应配备可迅速变化网络结构的智能机制。
研究结论1.T2-AI，即基于单一记忆存储和单一学习机制的人工智能，无法与人类智能相媲美。T2-agent结构无法适应真实环境的变化。要想模拟人类智能，大脑结构就应为T3-agent。
2.T2-agent结构可产生的变化足以匹配成年人表达时所需的所有语义知识，但无法满足语义信息中感官信息处理的要求。
3.当前，还没有可以使T2-agent结构优化、达到人类智能水平的新算法。为了实现人工通用智能，研究应该在深度学习网络的基础上继续深化，否则，只能通过无限增加数据量来解决问题。
4.只有建立一套等级性规则，才能创建可比肩人类智能的人工智能体系。配备真实计算数据的T3-agent结构能够帮助完成诸如开车、行走、移动等复杂人类活动，同时，还可获取普通成年人头脑中拥有的知识，包括语义知识以及可处理的感官信息。
5.T3结构有一定的局限性，由于需要处理额外的自适应过程，整个智能体的信息处理速度会下降。
1. Introduction: Hierarchy of policies
1.1 Generalizing actions
1.2 Generalizing feedback
2. Calculating variety of a human agent and its Umwelt
2.1 Variety generated by human brain
2.2 Variety of real life
2.3 Variety of T3-agents
2.4 How much can the variety increase theoretically?
2.5 How many states can a frozen T3-brain theoretically produce?
3. Conclusion
本文参考信息：
1. Danko Nikolic博士个人网站：http://www.danko-nikolic.com/
2. 脑计划：https://baike.so.com/doc/7003467-7226349.html
【Title】
Why Deep Neural Nets Cannot Ever Match Biological Intelligence and What To Do About It?
【Abstract】
The recently introduced theory of practopoiesis offers an account on how adaptive intelligent systems are organized. According to that theory, biological agents adapt at three levels of organization and this structure applies also to our brains. This is referred to as tri-traversal theory of the organization of mind or for short, a T3-structure. To implement a similar T3-organization in
an artificially intelligent agent, it is necessary to have multiple policies, as usually used as a concept in the theory of reinforcement learning. These policies have to form a hierarchy. We define adaptive practopoietic systems in terms of hierarchy of policies and calculate whether the total variety of behavior required by real-life conditions of an adult human can be satisfactorily accounted for by a traditional approach to artificial intelligence based on T2-agents, or whether a T3-agent is needed instead. We conclude that the complexity of real life can be dealt with appropriately only by a T3-agent. This means that the current approaches to artificial intelligence, such as deep architectures of neural networks, will not suffice with fixed network architectures. Rather, they will need to be equipped with intelligent mechanisms that rapidly alter the architectures of those networks.
【Keywords】
Artificial intelligence, neural networks, strong artificial intelligence, practopoiesis, machine learning.
【Author】
Danko Nikolic
【Full Text---Open Access】
https://link.springer.com/article/10.1007/s11633-017-1093-8
【Title】
Flexible robotic grasping strategy with constrained region in environment
【Key words】
Grasping strategy, compliant grasping, dexterous robotic hands, attractive region in environment, constrained region in environment.
【Authors】
Chao Ma, Hong Qiao, Rui Li, Xiao-Qing Li.
【Full Text】
https://link.springer.com/article/10.1007/s11633-017-1096-5
【Title】
Why and when can deep-but not shallow-networks avoid the curse of dimensionality: A review
【Key words】
Machine learning, neural networks, deep and shallow networks, convolutional neural networks, function approximation, deep learning.
【Authors】
Tomaso Poggio, Hrushikesh Mhaskar, Lorenzo Rosasco, Brando Miranda, Qianli Liao.
【Full Text】
https://link.springer.com/article/10.1007/s11633-017-1054-2
【Title】
Imitating the brain with neurocomputer a “new” way towards artificial general intelligence
【Key words】
Artificial general intelligence (AGI), neuromorphic computing, neurocomputer, brain-like intelligence, imitationalism.
【Author】Tie-Jun Huang
【Full Text】
https://link.springer.com/article/10.1007/s11633-017-1082-y
【Title】
On the centre of mass motion in human walking
【Key words】
Human locomotion, analytical model, centre of mass, locomotion signature, synergies.
【Authors】Justin Carpentier, Mehdi Benallegue, Jean-Paul Laumond
【Full Text】
https://link.springer.com/article/10.1007/s11633-017-1088-5
【Title】
Inferring Functional Connectivity in fMRI Using Minimum Partial Correlation
【Key words】
Functional connectivity, functional magnetic resonance imaging (fMRI), network modelling, partial correlation, PC algorithm, resting-state networks.
【Authors】Lei Nie, Xian Yang, Paul M. Mattews, Zhi-Wei Xu, Yi-Ke Guo
【Full Text】
https://link.springer.com/article/10.1007/s11633-017-1084-9
1) IJAC官方网站：
http://link.springer.com/journal/11633
2) Linkedin: Int. J. of Automation and Computing
3) 新浪微博: IJAC-国际自动化与计算杂志
4) Twitter: IJAC_Journal
5) Facebook: ijac journal
关于杂志或文章，您有任何意见或建议，欢迎后台留言或私信小编
本文编辑：欧梨成
点击“阅读原文"，查看全文链接