这篇关于美国麻省理工学院的研究展示了大脑可能通过类似于自监督学习的方式来理解物理世界的认知过程。研究结果表明，通过训练自监督模型来预测日常场景中的未来状态，模型能够准确预测物体的运动，展示了与哺乳动物大脑类似的认知功能。另一方面，研究还关注网格细胞在空间导航中的作用，模仿网格细胞的自监督模型在路径积分任务中表现出对位置的有效表示。这些研究有望为人工智能系统提供新的思路和方法，增进对大脑工作原理的理解，对未来人工智能系统的发展具有启示意义。全文估计阅读时间为10分钟左右。*
为了在这个世界上前进，我们的大脑必须发展出对周围物理世界的直观理解，然后用这个理解来解释进入大脑的感觉信息。
大脑如何发展出这种直观理解？许多科学家认为，它可能使用一种类似于“自监督学习”的过程。这种机器学习类型最初是作为创建更高效的计算机视觉模型的一种方法而开发的，它允许计算模型仅基于它们之间的相似性和差异来学习关于视觉场景的信息，而不需要标签或其他信息。
麻省理工学院的K. Lisa Yang整合性计算神经科学（ICoN）中心的研究人员进行了一对研究，为支持这一假设提供了新的证据。研究人员发现，当他们使用特定类型的自监督学习来训练被称为神经网络的模型时，生成的模型产生的活动模式非常类似于执行与模型相同任务的动物大脑中所见到的模式。
研究结果表明，这些模型能够学习关于物理世界的表示，可以用来准确预测在这个世界中会发生什么，而哺乳动物的大脑可能正在使用相同的策略，研究人员说。
“我们的工作的主题是，旨在帮助建造更好的机器人的人工智能最终也成为更好理解大脑的框架，”ICoN中心的博士后Aran Nayebi说。 “我们不能确定它是否是整个大脑，但在不同规模和不同脑区域，我们的结果似乎表明了一种组织原则。”
Nayebi是其中一项研究的主要作者，与前麻省理工学院博士后、现在在Meta Reality Labs工作的Rishi Rajalingham以及脑与认知科学副教授、麦戈文脑研究所成员Mehrdad Jazayeri和脑与认知科学助理教授、麦戈文脑研究所副成员Robert Yang共同合著。ICoN中心主任、脑与认知科学教授以及麦戈文脑研究所副成员Ila Fiete是另一项研究的主要作者，该研究由麻省理工学院研究生Mikail Khona和前麻省理工学院高级研究助理Rylan Schaeffer共同领导。
这两项研究将于2023年12月在“神经信息处理系统会议”（NeurIPS）上发表。
模拟物理世界
早期的计算机视觉模型主要依赖于监督学习。使用这种方法，模型被训练以对每个带有名称标签的图像进行分类——猫、汽车等。结果模型工作得很好，但这种培训需要大量的人工标记数据。
为了创建更高效的替代方法，近年来研究人员转向了通过对比自监督学习技术构建的模型。这种学习类型允许算法学习如何分类对象，基于它们相互之间的相似性，而不提供外部标签。
“这是一种非常强大的方法，因为你现在可以充分利用现代大规模数据集，尤其是视频，真正释放它们的潜力，” Nayebi说。 “你现在可以看到很多现代人工智能，特别是过去几年的ChatGPT和GPT-4，都是通过在大规模数据集上训练自监督目标函数的结果，以获得非常灵活的表示。”
这些类型的模型，也被称为神经网络，由数千或数百万个相互连接的处理单元组成。每个节点与网络中的其他节点有不同强度的连接。随着网络分析大量数据，这些连接的强度会随着网络学会执行所需的任务而发生变化。
当模型执行特定任务时，可以测量网络内不同单元的活动模式。每个单元的活动可以表示为发射模式，类似于大脑中神经元的发射模式。以前的研究已经表明，自监督视觉模型产生了类似于哺乳动物大脑视觉处理系统中所见的活动。
在这两项新的NeurIPS研究中，研究人员试图探讨自监督计算模型是否也可能显示与哺乳动物大脑相似的认知功能。在Nayebi领导的研究中，研究人员训练了自监督模型，以预测数十万个自然场景的日常情景的未来状态。
“在过去的十年左右，认知神经科学中构建神经网络模型的主要方法是首先在自然数据上使用自监督学习进行训练，然后在实验室环境中进行评估，” Yang说。 “但是，以这种方式训练的模型很少能够泛化到其他任务。这里我们测试是否可以通过首先在自然数据上使用自监督学习进行训练，然后在实验室环境中进行评估，为某些认知方面构建模型。”
一旦模型训练完毕，研究人员让它泛化到一项称为“心灵乒乓球”的任务。这类似于视频游戏乒乓球，玩家移动球拍以击打屏幕上穿越的球。在心灵乒乓球版本中，球在撞到球拍之前会突然消失，所以玩家必须估计它的轨迹以击打球。
研究人员发现，该模型能够以与哺乳动物大脑中的神经元相似的准确度跟踪隐藏的球的轨迹，而Rajalingham和Jazayeri之前的一项研究已经显示出，哺乳动物大脑模拟了其轨迹——这被称为“心理模拟”的认知现象。此外，模型内部看到的神经激活模式与动物在玩游戏时大脑中看到的模式非常相似，特别是在大脑的一个部分，被称为背内侧额叶皮质。研究人员说，没有其他类别的计算模型能够像这个模型一样接近生物数据。
“机器学习社区正在努力创建人工智能，”Jazayeri说。 “这些模型对神经生物学的相关性取决于它们能否进一步捕捉大脑的内部运作。Aran的模型预测神经数据的事实非常重要，因为它暗示着我们可能越来越接近构建模拟自然智能的人工系统。”
导航世界
Khona、Schaeffer和Fiete领导的研究专注于一种特殊的神经元，被称为网格细胞。这些细胞位于内嗅皮层，帮助动物导航，并与位细胞（位于海马体中）共同工作。
虽然位细胞在动物位于特定位置时会激发，但网格细胞只有在动物位于三角形格的顶点之一时才会激发。一组网格细胞创建了不同大小的重叠格，允许它们使用相对较少的细胞来编码大量位置。
在最近的研究中，研究人员训练了监督神经网络，通过预测动物下一个位置来模仿网格细胞的功能，这被称为路径积分任务。然而，这些模型依赖于始终具有关于绝对空间的特权信息，而动物并没有这些信息。
受多周期网格细胞空间编码引人注目的编码特性启发，麻省理工学院团队训练了一种对比自监督模型，既可以执行相同的路径积分任务，又可以在此过程中高效地表示空间。他们使用速度输入的序列作为训练数据。模型学会了区分位置是相似还是不同——附近位置生成相似的代码，但远处位置生成更不同的代码。
Khona说：“这类似于对图像进行模型训练，如果两个图像都是猫的头部，它们的代码应该相似，但如果一个是猫的头部，一个是卡车，那么它们的代码应该排斥。” “我们采用相同的思想，但将其应用于空间轨迹。”
一旦模型训练完毕，研究人员发现模型内的节点的激活模式形成了几个不同周期的格，非常类似于大脑中的网格细胞形成的格。
Fiete说：“我对这项工作感到兴奋的地方在于它将网格细胞编码的引人注目的信息论特性与路径积分的计算之间建立了联系。尽管数学工作是分析的——网格细胞编码具有什么特性？但通过自监督学习来优化编码效率并获得网格状调谐是合成的：它展示了为解释大脑为何具有网格细胞可能必要和足够的特性。”
这项研究得到了K. Lisa Yang ICoN中心、国家卫生研究院、西蒙斯基金会、麦克奈特基金会、麦戈文研究所和Helen Hay Whitney基金会的资助。
新闻资料来源：The brain may learn about the world the same way some computational models do
潜在的读者可能会对以下问题感兴趣：
1. 这些研究结果对人工智能领域有什么实际的应用意义？
- 这些研究结果显示了自监督学习模型可能和哺乳动物的大脑有相似的认知功能，这为构建更智能的人工系统提供了新的思路和方法，尤其对于开发具有更好泛化能力的人工智能系统具有重要启示。
2. 如何能够进一步验证研究结果，以确保其准确性和可靠性？
- 研究人员可以通过进一步实验和数据分析来验证这些结果，例如使用更多的实验任务或者针对特定神经元的更精细的研究。同时，可以考虑与其他领域的研究人员合作来进行跨学科的验证和复现。
3. 这些研究如何对神经科学领域的发展产生影响？
- 这些研究有助于深化对大脑工作方式的理解，尤其是在认知功能方面的机制。通过将计算模型与神经生物学联系起来，可以更好地理解大脑的工作原理，促进神经科学领域的发展。
4. 自监督学习在机器学习领域的发展趋势是怎样的？
- 自监督学习已经成为机器学习领域的热门研究方向之一，因其能够在无监督标签的情况下有效地学习表示。未来，自监督学习将继续探索更加高效和强大的模型，以解决各种现实世界的复杂问题。
5. 这些研究如何对人工智能系统的伦理和安全性产生影响？
- 随着人工智能系统的不断发展，如何确保其符合伦理标准和安全性成为重要议题。通过深入了解大脑工作原理，可以在设计人工智能系统时更好地考虑伦理和安全因素，避免可能的风险和问题。
*简介与问答内容由人工智能chatGPT根据文章内容总结发散，仅供参考，如有冲突请以正文内容为准
【独家稿件声明】本文为美国续航教育（Forward Pathway LLC，官网地址：www.forwardpathway.com）原创，未经授权，任何媒体和个人不得全部或者部分转载。如需转载，请与美国续航教育联系；经许可后转载务必请注明出处，违者本网将依法追究。
美国续航教育总部位于美国加利福尼亚州洛杉矶，同时在中国上海和深圳设有续航教育分部。续航教育自2013年成立以来，致力于研究中美之间的文化教育发展与趋势，提供最专业的美国留学一站式服务，获得美国国际招生协会AIRC及国际教育顾问委员会ICEF的双重认证。
觉得有用的话就评价/分享一下吧~
