人脑作为地球上最复杂的智能载体，一个最大的特点就是能高能效地产生智能。如果能尽可能按照人脑的工作原理来创建AI系统，将会大大提高AI的工作效率，大幅降低能耗。
最近，剑桥大学做了这么项研究，就是想找到一个条路径，让AI系统复制人脑。
论文地址：https://www.cam.ac.uk/research/news/ai-system-self-organises-to-develop-features-of-brains-of-complex-organisms
直译过来就是——AI系统自我组织，生成了一系列人脑的特征，甚至还有各种复杂的组织。
AI仿真大脑
大脑大家都不陌生，里面有很多神经系统和组织。所有的组织和系统都在有限的物理空间内部争取有限的能量和资源。
但为了和谐共生，各部分之间就得平衡一下彼此的需求。
这也就是为什么各个物种的脑部结构都差不多，就是因为在不断的优化和调整之后，大家都倾向于发育成类似的组织解决方案。这种方案能带来各部分之间的平衡。
剑桥大学医学研究委员会认知与脑科学组（MRC CBU）的盖茨学者Jascha Achterberg表示，「大脑不仅善于解决复杂的问题，而且在解决复杂问题时耗能还很少。」
而剑桥大学的新研究，就有助于我们理解为什么大脑看起来就是现在这个样子。研究途径，就是将大脑解决问题的能力和在解决问题的过程中极少的耗能这两点结合在一起，进行整体的考虑。
共一作者是同样来自MRC CBU的Danyal Akarca博士，他补充说：这源于一个广泛的原则，即生物系统的进化通常是为了最大限度地利用其可用的能量资源。它们找到的解决方案往往非常优雅，反映了施加给它们的各种力量之间的权衡。
而这篇发表在Nature Machine Intelligence的研究，就是Achterberg、Akarca和他们的其他团队成员创建的一个AI系统。核心就是模拟一个非常简化的大脑模型，同时施加了和人脑差不多的物理约束。
研究表明，这个设计出来的AI系统，还真发展出了某些和人类大脑相似的关键性特征，以及发育策略。
人脑中存在大量神经元，而这个系统使用的是计算节点，不是真正的神经元。但神经元和节点的功能类似，都是接收输入、转换输入并产生输出，而且单个节点或神经元可能连接多个其他节点或神经元，这一点没什么差别。
并且，所有信息输入以后都要经过计算。
下面就是最主要的部分了——研究团队施加的物理限制。
每个节点在虚拟空间中都有一个特定的位置，两个节点离得越远，它们就越难以进行沟通。这与人脑中神经元的组织方式类似。
首先，研究人员给该系统布置了一个简单的任务——一个简化版的迷宫导航任务，通常是在研究大脑时给大鼠和猕猴等动物布置的任务，参与者必须结合多种信息来决定到达终点的最短路线。
之所以研究团队选择这项任务，其中一个原因就是，要完成这项任务，系统需要记住一系列的要素——包括起始位置、终点位置和中间的步骤。
一旦系统学会了怎样可靠地完成任务，研究人员就有可能在试验的不同时刻观察到哪些节点是重要的。
例如，一个特定的节点集群可能负责编码迷宫终点的位置，而其它节点集群则侧重编码可用的路线这一块。
因此，研究人员就可以跟踪哪些节点在任务的不同阶段处于活动状态，以此判断各节点的不同功能。
起初，系统不知道如何走出迷宫，甚至还会犯错误。
但是，当系统得到反馈后，它就会通过不断的自我学习，逐渐明白如何更有效率地完成这项任务。
具体方式是，这个AI系统会通过改变节点间连接的强度来进行学习，这和我们人类在学习时脑细胞之间连接强度会出现变化类似。
在自我学习过后，系统就会一遍又一遍地重复任务，直到最终学会如何正确执行完所有任务。
然而，在他们设计的系统中，存在物理限制，这就意味着两个节点之间离得越远，就越难根据反馈在两个节点之间建立连接。这点在人脑中也是一样——跨越较大物理距离的连接不好形成，想让这类连接维持下来并得到强化，则更加难能可贵。
当系统被要求在这些限制条件下执行任务时，AI会使用一些与真实的人脑相同的技巧来解决任务。
例如，为了绕过这些限制，AI就会自发开始发展集线器，这是一种高度连接的节点，作为在网络中传递信息的管道。
而更令人感到震惊的是，单个节点本身的反应特征也开始发生变化，换句话说，每个节点不是为迷宫任务的某一特定属性（如确定目标位置或进行下一步骤的选择）来编码，而是会慢慢发展出一种灵活的编码方案。
这就意味着，在不同的时刻，节点可能会对迷宫的各种属性进行编码。
打个比方，同一个节点可以对迷宫的多个位置进行编码，而不需要专门的节点对特定位置进行编码。这也是复杂生物大脑的一个显著特点。
论文合著者之一、剑桥大学精神病学系的Duncan Astle教授表示，这种简单的限制，是针对复杂生物体大脑的另一种特征。
稍微给一点简单的限制，比方说上面提到的，物理距离较远的两个节点连接起来比较困难，就会迫使AI系统产生一些相当复杂的特征。
而研究的重点落脚到——这些特征是人脑等生物系统所共有的，也就是说，通过AI的模拟，最终还是要去研究人脑。
研究团队所希望的是，他们的AI系统能够开始揭示这些制约因素是如何形成人脑之间的差异的，以及如何导致那些在认知或心理健康方面有困难的人出现各种各样的差异。
论文合著者之一、来自英国医学研究中心CBU的John Duncan教授说：这些人造大脑为我们提供了一种方法，让我们能够理解在真实大脑中所记录下的那些和真实神经元活动相关的各种各样的数据。
而没有这一步，这些数据就只是数据，换句话说，抽象。
Achterberg补充说：「AI大脑能让我们提出在实际生物系统中不可能解决的问题。
我们可以训练该系统执行任务，然后在实验中对我们施加的限制进行试验，看看它是否开始变得更像特定个体的大脑。」
对设计未来人工智能系统的影响
当然了，除了能帮助脑科学家研究人脑，这项研究当然也可以引发AI界的兴趣和广泛讨论，因为它们可以开发出更高效的系统，尤其是在可能存在物理限制的情况下（这时的物理限制就不是强加的了，而是客观存在的限制）。
其中一位研究者表示，AI届的研究人员一直在努力研究如何开发出更加复杂的神经系统，使其能够以灵活高效的方式进行编码和执行任务。
为了实现这一目标，开发人员们认为神经生物学会给他们带来很多启发。
打个比方，他们所创建的系统的整体布线成本，要比典型的AI系统低得多。
要知道，许多现代的AI解决方案使用的架构只是表面上与大脑相似。研究人员说，这项新的研究表明，人工智能要解决的问题类型这件事，会影响究竟使用哪种架构最强大这个问题。
Achterberg表示，「如果你想建立一个人工智能系统来解决与人类相似的问题，那么最终这个系统会比运行在大型计算集群上的系统更接近真实的大脑，因为后者专门处理与人类截然不同的任务。」
「我们在人工大脑中看到的架构和结构之所以存在，是因为它有利于处理所面临的类似大脑的特定挑战。」
这意味着，AI机器人必须在有限的能源资源下处理大量不断变化的信息，拥有与人类相差不多的大脑结构会让它们在执行很多任务的时候事半功倍。
Achterberg教授进一步说道：部署在真实物理世界中的AI机器人的大脑可能会更像我们的大脑，因为它们更有可能面临与我们相同的任务。
它们需要不断处理传感器传来的新信息，同时控制自己的身体在空间中向目标点位移动。
许多系统需要在电能供应有限的情况下运行所有相关计算。因此，AI系统为了平衡这些能量和资源上的限制，以及需要处理的信息量，它们就很有可能需要一个与人类大脑相类似的结构。
目前，这项研究得到了医学研究委员会、盖茨剑桥大学、James S McDonnell基金会、Templeton世界慈善基金会和谷歌DeepMind的资金资助，相信未来这项研究会在脑科学和AI领域都产生重大影响。
