人工智能新颖算法是怎样的

近年来，人工智能推动了高性能自动学习技术的发展。但是，这些技术通常是基于逐个专项任务要求而应用的，这意味着为某一专门任务训练的智能体在面对其它任务，甚至是非常相似的任务时，的执行效果会很差。

尽管近年来人工智能领域取得了巨大进步，但我们离人类智能还很远。当前的人工智能技术允许训练计算机智能体可以专门有针性地对它们进行人工训练，以更好地执行某项特定任务。但是，一旦这些智能体处于与经历过的条件（甚至略有不同）的条件下时，它们的性能在训练中通常非常令人失望。

通过使用一生中获得的技能，人类能够非常有效地适应新情况。例如，一个学会在客厅里走路的孩子也会很快学会在花园里走路。因为所学习得的走路的技能与大脑突触的可塑性有关，突触可塑性改变了神经元之间的联系，而在客厅学习到的行走技能与在花园中行走所需的快速适应技能则与神经调节过程相关。神经调节通过化学神经调节介质调整神经元本身的输入-输出特性。

模拟人脑神经突触的可塑性是当今人工智能所有最新进展的基础。然而，到目前为止，还没有科学研究成果提出将神经调节机制引入到人工神经网络的方法。

为了攻克这个难题，一个由人工智能专家和神经科学家组成的科学团队的研究人员，开发了一种基于人脑功能机制的新算法 ，称为神经调节算法。 这个新颖而卓越的算法可以创建能够执行训练期间未遇到的任务的智能体，使智能主体能够自动适应未知情况。

在神经科学中，神经调节 （Neuromodulation）指一种神经传导过程。在此过程中，一个特定神经元使用一个或多个神经传导物质来控制一系列神经元。被一小群神经元覆盖住的神经传递介质会在神经系统中大范围地被释放出来，进而影响到许多的神经元。在中枢神经系统中，神经传递介质包括如多巴胺。神经调节与传统突触传导过程不同。传统突触传导描述神经传导过程为一个突触前神经元直接影响另一个突触后神经元。

研究人员开发出了完全原始的人工神经调节网络体系结构，引入了两个子网之间的交互作用。第一个网络考虑与要解决的任务有关的所有处境场合信息，并在此信息的基础上以大脑化学神经调节介质的方式对第二个子网进行神经模块化。由于神经调节，第二个子网决定了智能体要执行的动作，因此可以非常迅速地适应当前任务，这使智能体可以有效地面对与解决新任务。

神经调节由处理某些处境场合信息信号的神经调节神经网络（上图顶部）和塑造某些输入输出功能的主神经网络（上图底部）的相互作用组成。下图为神经调节的激活函数σNMN的计算图，其中ws和wb是分别控制激活函数σ的比例因子和偏移的参数，z是由神经调节网络计算的处境场合信息上下文（context）相关变量。

这种创新的架构已经成功地针对需要适应环境的导航问题进行了模拟测试。尤其是，训练有素的智能体，能够适应因风向变化极大干扰其运动的情况下，自适应避开障碍物朝目标移动。

论文作者之一、人工智能专家、达米恩·恩斯特（Damien Ernst）教授说：“这项研究的新颖性是，神经科学领域所发现的认知机理首次在多任务环境下发现了新的算法应用。这项研究为利用人工智能更好地模拟人脑神经调节功能机制的关键打开了新视野。”

责任编辑：ct