物理约束驱动脑类人工智能的演化

剑桥科学家在一项开创性的研究中，采取了一种新颖的方法来开发人工智能，展示了物理约束如何深刻地影响人工智能系统的发展。

这项研究让人联想到人类大脑的发展和操作约束，提供了新的见解，了解复杂神经系统的演化。通过整合这些约束，人工智能不仅反映了人类智力的某些方面，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，在物理和生物约束的多样性中演化和运作。这些限制并不是障碍，而是塑造其结构和功能的重要因素。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，而且在使用非常少的能量的同时解决这些问题。在我们的新工作中，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现在的样子。”

实验及其意义

剑桥团队着手一个雄心勃勃的项目，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”约束方面与其他系统不同，这些约束类似于人类大脑中的约束。

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。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元组织。

然后，该虚拟大脑被要求在迷宫中导航，这是对大脑研究中常给动物的迷宫导航任务的简化。该任务的重要性在于它要求系统整合多个信息片段，例如起点和终点，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过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，苦于该任务，犯了许多错误。然而，通过反复试验和随后的反馈，该系统逐渐改进了其方法。

关键的是，这种学习是通过系统计算节点之间的连接强度发生变化而实现的，反映了人类大脑中观察到的突触可塑性。特别令人着迷的是，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、更局部的解决方案，从而模仿生物大脑中的能量和资源效率。

人工系统中的新兴特征

随着系统的演化，它开始表现出与人类大脑惊人相似的特征。其中一个发展是集线器的形成——高度连接的节点，作为网络中的信息传递者，类似于人类大脑中的神经集线器。

然而，更令人着迷的是，个别节点处理信息的方式发生了转变。与每个节点负责迷宫特定方面的刚性编码不同，节点采用了灵活的编码方案。这意味着单个节点可以在不同时间代表迷宫的多个方面，这是复杂生物体中神经元的适应性质的特征。

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——连接远距离节点更具挑战性——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

这项研究的影响远远超出了人工智能的范畴，延伸到了对人类认知的理解。通过在人工智能系统中复制人类大脑的约束，研究人员可以对这些约束如何塑造大脑组织以及如何导致个体认知差异获得宝贵的见解。

这种方法为理解大脑的复杂性，特别是理解影响认知和精神健康的疾病提供了一个独特的视角。来自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，融入人工神经网络中，从而实现更高效和更适应性的人工智能。

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弄清楚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。为了实现这一点，我们认为神经生物学将给我们很多灵感。”

Jascha Achterberg进一步阐述了这些发现对构建模仿人类解决问题能力的人工智能系统的潜在影响。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的条件下运行。“部署在现实世界中的机器人大脑，”Achterberg解释说，“可能会更像我们的脑，因为它们可能会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。通过在人工智能系统中施加物理约束，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开辟了新的途径。