MIT领衔发明新AI模型19个神经元就能操控车辆行驶

近日，麻省理工学院打算机科学与人工智能实验室（MIT CSAIL），维也纳工业大学和奥地利科技学院的国际研究团队开拓出了一种新型 AI 系统。

这种新颖的 AI 系统受到线虫等眇小动物的大脑的启示，其核心掌握系统仅用 19 个神经元就能操控车辆，实现自动驾驶。

研究团队表示，该系统比以前的深度学习模型具有决定性的上风。
它可以更好地应对噪声的输入，而且由于其布局的大略性，人们可以很好地阐明其操作模式，不再是 “繁芜的黑匣子”。
这种新的深度学习模型现已发布在 Nature Machine Intelligence 上。

谷歌软件工程师兼 AI 研究员 Franois Chollet 表示，“神经回路政策是一种受生物神经元启示的有出息的新架构。
它天生的模型非常小，但能处理繁芜任务。
这种大略性使其更强大，更易阐明。
”

类似于大脑，人工神经网络由许多单个神经元组成。
当一个神经元处于活动状态时，它将向其他神经元发送旗子暗记。
下一个神经元会网络所有旗子暗记，组合起来并决定其自身是否激活。
一个神经元影响下一个神经元的办法决定了全体系统的下一次行为。
这些参数会在自动学习过程中不断调度，直到神经网络可以办理特界说务为止。

多年来，科学家们一贯在研究可以从自然界中学到什么，以改进深度学习。
奇丽隐杆线虫是一个范例的研究工具，它只有数量极少的神经元，但仍旧表现出非常有趣的行为模式，由于它的神经系统可以用非常高效而和谐的办法处理信息。

麻省理工学院 CSAIL 主任 Daniela Rus 教授表示，“大自然向我们展示了巨大的进步空间。
我们的目标是大幅降落繁芜性并开拓一种新型神经网络架构。
”

与之前的深度学习模型比较，新架构的神经元和数学模型都是全新的，单个神经元的旗子暗记处理办法遵照了完备不同的数学事理。
全体网络非常稀疏，由于并非每个神经元之间都相互连接在一起。
这让模型变得更大略。

为了测试新想法，研究团队选择了一项特殊主要的任务：自动驾驶汽车并坚持在车道上。
神经网络将摄像机捕捉的道路图像作为输入值，并自主决定是向右还是向左微调方向。

目前，用来实现自动驾驶等繁芜任务的深度学习模型常日拥有数百万个参数。
比较之下，新架构仅用到了 7.5 万个可演习参数，规模减少了两个数量级。

新系统由两部分组成：卷积神经网络和掌握系统。

摄像机的输入首先会经由卷积神经网络，它仅卖力处理视觉数据并从像素中提取构造特色，找到那些有趣和主要的信息，然后将旗子暗记传输到车辆的掌握系统中。

掌握系统部分，又被称为神经回路策略（NCP），可以将感知模块中的数据转换为转向命令，仅包含 19 个神经元，比现有最好模型要小好几个数量级。

两个子系统堆叠在一起并同时接管演习。
演习数据来自大波士顿地区，是由人类驾驶员完成的驾驶视频，一同输入网络的还有何在任何给定情形下掌握汽车方向的资料 —— 直到系统学会了自动将图像与得当的转向系统联系起来，可以独立处理新情形为止。

该深度学习模型已在自动驾驶汽车上进行了测试。
研究职员可以轻易地找出，在驾驶时，神经网络的把稳力放在哪里：在这种情形下，是路肩和地平线。

他们还能确定每个神经元在驾驶决策中发挥的浸染，即每个神经元的功能和行为。
对付规模更大的深度学习模型，是不可能实现这种程度的可阐明性的。
”

NCP 的鲁棒性也经得住磨练。
研究职员在输入图像中添加了滋扰和噪声，以测试 AI 的应对能力。
得益于新神经网络模型和架构，该模型表现出了强大的噪声抵抗力。

研究职员 Ramin Hasani 认为，可阐明性和鲁棒性是新模型的两个最紧张上风，但它实际上还有更多优点，比如减少演习韶光，以及增加在大略系统中实现 AI 的可能性。

“我们的 NCP 可以在广泛运用中进行模拟学习，包括自动化事情和机器人运动，”Hasani 补充称，“这些新创造为 AI 社区拓展了新的方向，生物神经系统中的打算事理可以成为创建高性能可阐明 AI 的主要资源，作为现有黑盒机器学习系统的替代品。
”