物理约束驱动脑类人工智能的演化

在一项开创性的 研究 中，剑桥科学家采用了一种新的人工智能方法，展示了物理约束如何深刻影响人工智能系统的发展。这种研究让人联想到人类大脑的发展和操作约束，为复杂神经系统的演化提供了新的见解。通过整合这些约束，人工智能不仅模仿了人类智能的某些方面，还揭示了资源支出和信息处理效率之间的复杂平衡。

人工智能中的物理约束概念

人类大脑作为自然神经网络的典范，会在各种物理和生物约束下演化和运作。这些限制并不是障碍，而是塑造其结构和功能的关键因素。剑桥大学医务研究委员会认知和脑科学单位（MRC CBSU）的盖茨奖学金获得者Jascha Achterberg说：“大脑不仅擅长解决复杂问题，而且在使用很少的能量的情况下解决这些问题。在我们的新研究中，我们展示了考虑大脑的解决问题能力和其目标，即尽可能少地消耗资源，可以帮助我们理解为什么大脑具有其当前的结构。”

实验及其意义

剑桥团队开展了一项雄心勃勃的项目，旨在创建一个模拟大脑高度简化版本的人工系统。该系统在应用“物理”约束方面与众不同，这些约束与人类大脑类似。

系统中的每个计算节点都被分配了虚拟空间中的特定位置，模拟了神经元的空间组织。两个节点之间的距离越大，它们之间的通信就越具有挑战性，反映了人类大脑中的神经组织。

然后，该虚拟大脑被要求在迷宫中导航，这是对动物在脑研究中常见的迷宫导航任务的简化版本。该任务的重要性在于，它要求系统整合多个信息片段，例如起始和结束位置以及中间步骤，以找到最短的路径。该任务不仅测试了系统的解决问题能力，还允许观察到不同节点和集群在任务的各个阶段如何变得至关重要。

人工智能系统中的学习和适应

人工智能系统从迷宫导航新手到专家的旅程是人工智能适应性的见证。最初，该系统与人类学习新技能一样，难以完成任务，犯了许多错误。然而，通过试错和反馈的过程，该系统逐渐改进了其方法。

关键的是，这种学习是通过计算节点之间的连接强度的变化发生的，模仿了人类大脑中观察到的突触可塑性。特别有趣的是，物理约束如何影响这个学习过程。建立远距离节点之间的连接的困难意味着该系统必须找到更高效、更本地化的解决方案，从而模仿生物大脑中的能量和资源效率。

人工智能系统中出现的特征

随着系统的演化，它开始表现出惊人地类似于人类大脑的特征。其中一个发展是中心的形成——高度连接的节点作为网络中的信息通道，类似于人类大脑中的神经中心。

然而，更令人着迷的是，个别节点处理信息的方式发生了变化。与每个节点负责迷宫的一个特定方面的僵化编码不同，节点采用了灵活的编码方案。这意味着一个节点可以在不同时间代表迷宫的多个方面，这是一个类似于复杂生物体中神经元的适应性特征。

剑桥大学精神病学系的Duncan Astle教授强调了这一方面，他说：“这个简单的约束——更难连接远距离的节点——迫使人工系统产生一些相当复杂的特征。有趣的是，这些特征也存在于生物系统中，如人类大脑。”

更广泛的影响

该研究的影响远远超出了人工智能的范畴，深入到人类认知本身的理解。通过在人工智能系统中复制人类大脑的约束，研究人员可以深入了解这些约束如何塑造大脑组织并导致个体认知差异。

这种方法为理解大脑的复杂性提供了一个独特的窗口，特别是在理解影响认知和心理健康的疾病方面。医务研究委员会认知和脑科学单位（MRC CBSU）的约翰·邓肯教授补充说，“这些人工大脑为我们提供了一种理解我们在真实大脑中记录的真实神经元活动的丰富而令人困惑的数据的方法。”

人工智能设计的未来

这项开创性的研究对人工智能系统的未来设计具有重要意义。该研究生动地展示了如何将生物原理，特别是与物理约束相关的原理，融入人工智能系统中，可以带来更高效和更适应性的人工神经网络。

医务研究委员会认知和脑科学单位（MRC CBSU）的Danyal Akarca博士强调了这一点，他说：“人工智能研究人员不断尝试如何创建复杂的神经系统，这些系统可以以灵活和高效的方式编码和执行。为了实现这一目标，我们认为神经生物学将为我们提供大量的灵感。”

Jascha Achterberg进一步阐述了这些发现对于构建模仿人类解决问题能力的人工智能系统的潜力。他建议，面临类似人类挑战的人工智能系统可能会演化出类似人类大脑的结构，特别是在物理约束（如能量限制）下运行时。“部署在现实世界中的机器人大脑”，Achterberg解释说，“可能会更像我们的大脑，因为它们可能面临与我们相同的挑战。”

剑桥团队的研究标志着理解人类神经系统和人工智能之间的平行关系的一个重要步骤。通过对人工智能系统施加物理约束，他们不仅复制了人类大脑的关键特征，还为设计更高效和更适应性的人工智能打开了新的途径。