生物智能发展和对AI的启发

生物进化，智能涌现。经典作品对生物智能的关注俯拾皆是：庄周关于动物感知的思考，康德对动物理性的讨论。进化学已经证实，智能并非人类独有，我们早该摈弃“人类中心主义”的偏见。

如今，生物智能已经被用于人工智能的设计之中，多形态、低功耗、高算力将会是下一代人工智能的发展方向。借助形态学习，DERL框架能进化出最适合环境和任务的智能体形态，并在模拟环境中验证达尔文 - 鲍德温效应；被称为“生物计算机”的黏液霉菌26小时就能高效地规划出人类花费百年才建成东京市交通网络；受人类认识事物的机制启发，仿生模式识别已被广泛应用于多个领域；模拟生物大脑神经元和突触结构，低功耗高算力的类脑计算芯片将建构出最终的强人工智能；或许下一个智能时代，将会由生物智能开启。

一、生物智能冲击了“进化论”

引用达尔文在“The Descent of Man”《人类起源》中的观点：若人类是地球唯一的智能生命，则难以证明人类的高级能力是进化得到的。达尔文的推断，预言了生物智能存在的理论必然性。但我们仍需要更多证据。

鲸鱼、大象、黑猩猩、乌鸦表现出了惊人的智能，并在使用工具、认知能力、同理心、规划未来、教育文化等方面证实了智能生物的存在：
（1）黑猩猩表现出接近人类的「认知能力」和「同理心」，会在群体社交时揣测成员的意图和情绪，观看模拟动画也会被感染得哈欠连连；
（2）秋季来临，北美星鸦会在6,000个地点贮藏30,000个种子，并在数月后的春天取回，这被解释为「为未来计划」的智慧。
（3）加勒比海域的鲸鱼群落传唱着某首“歌曲”，随着文化交流，分享给了其他群落，这就像人类社会的“流行金曲”。
（4）近五年的研究寻找到了更多证据：吊带蛇的社会性（Skinner & Miller，2020）、蚂蚁的工具使用（Maák et al，2017）、鱼类的镜像自我识别（Kohda et al. 2019）、果蝇的社会学习（Danchin et al，2018）、狗的偶发性记忆（Fugazza et al，2020）、蜜蜂的加减法（Howard et al，2019）

生物智能的存在辅证了进化论，同时也拓展了进化论本身。

（1）智慧并非人类独有，也并不只存在于人类亲缘的物种。人类与鲸鱼的共同祖先距今已有一亿年，人类与乌鸦的共同祖先更是远在三亿年前，比恐龙时代还要早，早已经脱离了亲缘的范畴。事实上，不同的进化分支都有产生智能的可能，并以各异的形态呈现。
（2）生物智能同样反驳了达尔文带有“人类特殊主义”色彩的部分。自然选择的进化是非等级的，不是从低级逐渐提高到高级。

二、摈弃“人类中心主义”

智能的形态丰富多样，并不局限于人类的固有认知。看待智能，我们总是站在人类视角：智能应该以人类可理解的形式呈现，观测和实验总是以人类为标准。这种立场实际带来了很多偏差。

犬类曾因为无法通过“镜像-自我认知”被认为缺乏自我意识。该测试基于视觉感知，而狗的视觉能力弱，这导致了狗在“认知实验”中表现不佳。2002年科学家重新设计实验，借助其敏锐于人类10,000倍的嗅觉能力，犬类可以轻松通过“镜像-自我认知”测试，成功为自己正名。

非哺乳动物的智能更是以人类难以理解的形式呈现。

头足纲的章鱼智力程度很高，5亿个神经元有2/3都直接位于触手上。这种结构在哺乳动物身上前所未有，章鱼触手能与中枢大脑协同工作，另外还具有单独决策的能力，被切割下来也能逃生。

鸟类具有高度的智慧，乌鸦甚至表现出灵长动物级别的认知水平：在镜子里认出自己，为未来做计划。由于缺乏皮层，鸟类大脑结构不能整齐地映射到人类的大脑上；但借助两倍于灵长类动物神经元密度的前脑，同样能完成大部分功能。

呈现方式的差异，并不意味着智能的缺失。如果以章鱼或鸟类的智能形态作为标准，人类智能又会被如何定义呢？以更宽松的方式理解生物智能，利于人类保护和尊重生物，也是我们学习借鉴不同智能形式的起点。

三、启发人工智能

人类借助语言、科技、法律体系等一系列复杂的行为，生物却可以用相当简单的机制达到目的。在面对特殊任务时，生物智能可以辅助、甚至取代以人类为原型的设计方案。

1.受进化论启发的形态学习

在数亿年的历史中，生物不断进化以寻找到最适合环境和生存的形态。如今，形态进化已经能在 AI 智能体中能够得到展现。

近日，来自斯坦福大学的研究者 Agrim Gupta、Silvio Savarese、Surya Ganguli 和李飞飞提出了一种新型计算框架——深度进化强化学习 (Deep Evolutionary Reinforcement Learning, DERL)，该框架能够在环境、形态和控制这三种复杂度维度下，同时规模化创建具身智能体。该研究不仅提出了新型计算框架深度进化强化学习（DERL），并通过形态学习首次证明了达尔文 - 鲍德温效应。

DERL 为计算机模拟实验执行大规模具身智能体的创建打开了大门，这有助于得知学习和进化如何协作构建“环境复杂度、形态智能和控制任务易学性”三者的复杂关系。此外，DERL 还缓解了强化学习的样本低效性，创建具身智能体不仅可以使用较少的数据，还能够泛化解决多种新任务。DERL 通过模仿达尔文进化论中错综复杂的跨代进化来搜索形态空间，通过终身神经学习对给定形态进行评估，智能控制能够解决复杂任务的速度、质量。

下图是利用DERL在复杂环境中进化出的特殊形态解，能更好地完成移动和推箱子的任务。

2.生物计算机：黏液霉菌

黏液霉菌是一种没有神经、大脑、器官的单细胞多头绒泡菌。这样的简单生命体却能找到迷宫的最佳路径，甚至复制出东京的交通网络，如同一部生物计算机，能以极低的代价完成任务。

日本北海道大学（Hokkaido University）团队将黏液霉菌放置于迷宫各处，它们能顺利找到彼此，融合成大细胞团，并寻找到最短路径。若细胞团成员已经搜索过某个路径，其他成员则会放弃对该路径的探索。把黏液霉菌的所在位置看作东京市中心，将燕麦片（食物）视为东京市郊的各火车站，黏液霉菌甚至能复制出东京的交通网络，人类用超过100年才能完成的事情，黏液霉菌不过花了26小时就能完成。

黏液霉菌借助体内有节奏的脉冲流传递信息，通过脉管状结构把细胞内含物、营养物质和化学信息传输到细胞各处。细胞间连续、同步的振荡以及去中心的网络机构，可以帮助黏液霉菌建立起对环境的相当复杂的认知理解，而无需依赖人类大脑这样的控制中心。

研究团队正努力解析它的生物学机制，理解它的计算运行规则，运用到电子、编程和机器人领域中。

3.仿生模式识别

人类对事物的判别，与传统的机器模式识别有着本质的差异。人类是基于“认识”而非“区分”，根据事物间的“同源连续性”进行归类。中科院半导体所王守觉院士受此启发，提出了仿生模式识别。

仿生模式识别对于超出认知的事物不会一一比对相似程度；对未经学习训练的新类别样本只会拒识，而不会误识。此外，在学习认识新事物时不会打乱原已学到的旧知识从头开始学习，这些正是模式识别向智能化发展所需的特性。下图为仿生模式识别、传统反向传播网络及径向基函数网络模式在二维空间的识别示意图。

受生物学启发设计的仿生模式识别，已经被广泛应用于实物识别、人脸识别、语音识别、虹膜识别、半导体生成控制、暖通空调控制、信号处理等各个方向，均取得良好的效果。随着对仿生模式识别理论研究的深入，我们相信它将应用到更广泛的领域当中，推动人工智能的发展。

4.通向强人工智能：类脑计算芯片

脑与意识作为自然科学的“最后疆域”，制造出能重现大脑功能的“强人工智能（类脑机）”或许是21世纪人类必须解决的难题。高功耗低算力是现存弱人工智能的一大弊病。以AlphaGo为例，在下棋过程中会消耗约消耗 1 兆瓦的电能，而超过 1000 亿个神经元的人脑，消耗功率仅 20 瓦，只有 AlphaGo 所消耗能量的 5 万分之一。

受大脑神经元启发，兼顾高算力和低功耗的类脑计算芯片纷纷登场。目前全球范围内运行的代表性的大型神经形态计算系统有四套：斯坦福大学的Neurogrid，德国海德堡大学的BrainScaleS系统，英国曼彻斯特大学的SpiNNaker系统，美国IBM公司基于TrueNorth芯片构造的系统。

2019年8 月，清华大学类脑计算研究中心施路平教授团队打造的类脑计算芯片 “天机芯” 登上国际知名学术期刊《自然》的封面，实现了中国在芯片和人工智能两大领域《自然》论文零的突破。天机芯集成千万级神经元突触，同时支持跑人工神经网络（ANN）和脉冲神经网络（SNN）异构融合，相比 IBM TrueNorth 芯片，支持更多算法，且密度提升 20%，速度快 10 倍，带宽提高 100 倍，精度可调，扩展性和灵活性也更好。

与经典计算机类比，这些系统相当于1946年首台计算机ENIAC，但是发展迅速，例如，BrainScaleS在欧洲人类大脑计划支持下，预计在2022年，也就是计划结束前一年，实现在神经信息处理能力上超越人类大脑。

四、结语

生物智能兼顾了自然选择、物种特性、群落关系，即便如黏液霉菌般的低级智能体，也有着丰富的研究价值：关于认知科学中关于智能的定义、管理科学中的组织机构和自治、社会学中的集体行为和协同合作；对大脑神经系统精细结构的模拟，将会帮助人类通往最终的强人工智能，在结构层次上模仿脑，器件层次逼近脑，最终在智能层次上超越脑。

研究生物智能可以帮助人类重新审视：AI能否以多元化的形态呈现，人工智能如何“更和谐”而不仅是“更高效”？简单有效的生物智能辅助人工智能的设计，甚至以更低的代价解决问题。由生物智能启发的人工智能时代，或许正在到来。

五、引用

[1]https://plato.stanford.edu/entries/cognition-animal/
[2]https://www.nationalgeographic.com/science/article/this-is-how-you-study-the-evolution-of-animal-intelligence
[3]https://www.wikiwand.com/en/Mirror_test
[4]Darwin C. The descent of man and selection in relation to sex[M]. D. Appleton, 1896.
[5]Darwin’s C. On the origin of species[J]. published on, 1859, 24.
[6]Skinner, Morgan and Noam Miller, 2020, “Aggregation and Social Interaction in Garter Snakes (Thamnophis sirtalis sirtalis)”, Behavioral Ecology and Sociobiology, 74(5): art. 51. doi:10.1007/s00265-020-2827-0
[7]Maák, István, Gábor Lőrinczi, Pauline Le Quinquis, Gábor Módra, Dalila Bovet, Josep Call, and Patrizia d’Ettorre, 2017, “Tool Selection during Foraging in Two Species of Funnel Ants”, Animal Behaviour, 123: 207–216. doi:10.1016/j.anbehav.2016.11.005
[8]Kohda, Masanori, Takashi Hotta, Tomohiro Takeyama, Satoshi Awata, Hirokazu Tanaka, Jun-ya Asai, and Alex L. Jordan, 2019, “If a Fish Can Pass the Mark Test, What Are the Implications for Consciousness and Self-Awareness Testing in Animals?”, PLOS Biology, 17(2): e3000021. doi:10.1371/journal.pbio.3000021
[9]Danchin, Etienne, Sabine Nöbel, Arnaud Pocheville, Anne-Cecile Dagaeff, Léa Demay, Mathilde Alphand, Sarah Ranty-Roby, Lara van Renssen, Magdalena Monier, Eva Gazagne, Mélanie Allain, and Guillaume Isabel, 2018, “Cultural Flies: Conformist Social Learning in Fruitflies Predicts Long-Lasting Mate-Choice Traditions”, Science, 362(6418): 1025–1030. doi:10.1126/science.aat1590
[10]Fugazza, Claudia, Péter Pongrácz, Ákos Pogány, Rita Lenkei, and Ádám Miklósi, 2020, “Mental Representation and Episodic-like Memory of Own Actions in Dogs”, Scientific Reports, 10(1): 10449. doi:10.1038/s41598-020-67302-0
[11]Howard, Scarlett R., Aurore Avarguès-Weber, Jair E. Garcia, Andrew D. Greentree, and Adrian G. Dyer, 2019, “Numerical Cognition in Honeybees Enables Addition and Subtraction”, Science Advances, 5(2): eaav0961. doi:10.1126/sciadv.aav0961
[12]Gupta A, Savarese S, Ganguli S, et al. Embodied Intelligence via Learning and Evolution[J]. arXiv preprint arXiv:2102.02202, 2021.
[13]Tero A, Takagi S, Saigusa T, et al. Rules for biologically inspired adaptive network
[14]design[J]. Science, 2010, 327(5964): 439-442.
[15]Nakagaki T, Yamada H, Toth A. Path finding by tube morphogenesis in an amoeboid organism[J]. Biophysical chemistry, 2001, 92(1-2): 47-52.

生物智能发展和对AI的启发相关推荐

斯坦福学者：生物智能可能是解决AI发展瓶颈的关键
作者:Surya Ganguli 编译:肖琴.元子李飞飞带领的斯坦福"以人为本AI研究院"发表文章,探讨人工智能.神经科学.心理学和认知科学,以及数学.物理和社会科学等学科过去 ...
清华、北大、中科院六位专家同台论道：生物智能的本质与下一代类脑AI
整理 | 琰琰人工智能发展至今,除了"大炼模型",是否存在其他路径可以推动人工智能发展和迈向通用智能? 6月2日,在智源大会"人工智能的认知神经基础"圆桌论坛 ...
生物智能与AI——关乎创造、关乎理解（下）
无监督学习,迁移学习和工程设计 AI系统与人类学习之间的另一个主要差异在于AI系统所需的大量标记数据才可以达到人类级别的性能.例如,最近的语音识别系统在11940小时的语音训练后才能对齐转录.如果我们 ...
生物智能与AI——关乎创造、关乎理解
云栖君导读:几百万年前,第一次人类智能的星火出现在非洲大陆,并且持续发展,最终在大约10万年前在智人的大脑中达到顶峰.作为现代人类,我们只能想象我们的古代祖先在窥视夜空时所经历的事情,以思考物理现实的 ...
ai的智能发展不会超越人类_人工智能：超越炒作
ai的智能发展不会超越人类 by George Krasadakis 通过乔治·克拉萨达基斯(George Krasadakis) 人工智能,超越炒作 (Artificial Intelligence ...
打造生物智能和人工智能“双螺旋”，智源研究院发布“人工智能的认知神经基础”重大研究方向...
2020年8月24日,北京智源人工智能研究院(以下简称"智源研究院")在清华智源中心举行了"人工智能的认知神经基础"(以下简称"认知神经基础" ...
计算机科学家和心理学家合作,生物智能与人工智能之间的合作
李飞飞带领的斯坦福"以人为本AI研究院"发表文章,探讨人工智能.神经科学.心理学和认知科学,以及数学.物理和社会科学等学科过去是怎样.以及未来将如何共同合作,追求对理解和创造智能系 ...
英伟达副总裁：生物医疗将是与 AI 结合最紧密的行业之一
http://blog.itpub.net/29829936/viewspace-2564279/ 2019-01-20 15:45:23 刚刚过去的 2018 年, AI 医疗行业发生很大变化.机器 ...
人工智能的发展历程，AI ，路在何方（文章分享）
人工智能的发展历程,AI ,路在何方(文章分享) 详细请见原文,原文连接相信有许多初入人工智能领域的朋友,像我一样,或多或少会对人工智能的历史.未来感到迷茫.当我读完这篇文章的时候,第一感觉是比较震 ...

生物智能发展和对AI的启发

生物智能发展和对AI的启发相关推荐

最新文章

热门文章