人工智能需要生物知识吗（生物AI心理）

人工智能需要生物知识吗（生物AI心理）IIT 用意识的特征描述意识：意识是满足某些特征的现象。这种模型有悠久的历史和诸多例子：目前流行的大脑/意识理论是 GWT（Global Workspace Theory） 和 IIT（Integrated Information Theory）。GWT 用意识的功能描述意识：意识具有某些功能，例如输入输出和各种模块。典型的例子如下：

关注人工智能前沿讲习， 重磅干货，第一时间送达一、基于生物和经验的模型

首先是 2012 年的 Spaun，基于生物基础（脑图谱），类生物神经元（尖峰放电 SNN）。

在训练后可完成多种识别和生成和反应任务。

1. map the visual hierarchy firing pattern to a conceptual firing pattern as needed
2. extract relations between input elements (transformation calculation)
3. evaluate the reward associated with the input (reward evaluation)
4. decompress firing patterns from memory to conceptual firing pattern (information decoding)
5. map conceptual firing patterns to motor firing patterns and control motor timing (motor processing)

PPC posterior parietal cortex; M1 primary motor cortex; SMA supplementary motor area; PM premotor cortex; VLPFC ventrolateral prefrontal cortex; OFC orbitofrontal cortex; AIT anterior inferior temporal cortex; Str striatum; vStr ventral striatum; STN subthalamic nucleus; GPe globus pallidus externus; GPi globus pallidus internus; SNr substantia nigra pars reticulata; SNc substantia nigra pars compacta; VTA ventral tegmental area; V2 secondary visual cortex; V4 extrastriate visual cortex.

在许多深度学习模型中有类似的【编码-转换-解码】结构，例如 2017 年的 MultiModel ：

目前流行的大脑/意识理论是 GWT（Global Workspace Theory） 和 IIT（Integrated Information Theory）。

GWT 用意识的功能描述意识：意识具有某些功能，例如输入输出和各种模块。

典型的例子如下：

这种模型有悠久的历史和诸多例子：

IIT 用意识的特征描述意识：意识是满足某些特征的现象。

虽然牺牲了一定的具体性，但也许更能同时描述非地球非碳基生物的意识。典型的特征如下：

抽象化的表达有自己的优势，因为从量子物理而言，一切都是一个状态，不需要内部模块。

例如http://xxx.itp.ac.cn/pdf/1712.01826.pdf。将观测者简化为计算过程后，建立了一种既唯心又唯物的宇宙理论。

关于意识的生物基础，近年的著名发现是连接大脑各个部分的巨型神经元。这种神经元，从大脑的屏状核出发，连接到大脑的各个部分，可能是意识的开关。

在一例癫痫患者的人体实验中，确实可通过在屏状核进行高频电刺激，关闭和开启实验者的意识（实验者的感觉就像断片）。

二、在 DRL 实验环境中的模型

为实现良好的多 agent 性能，和产生有趣的合作/竞争行为，目前的 DRL 模型仍需做大量简化，例如采用全局的优化策略。

OpenAI 的 2019 年模型（http://xxx.itp.ac.cn/pdf/1909.07528.pdf）：

OpenAI Five：

DeepMind 的 2019 年模型（Human-level performance in 3D multiplayer games with populationbased reinforcement learning）：

AlphaStar：

最近流行的论文 A distributional code for value in dopaminebased reinforcement learning ，其中人造的多巴胺神经元可以预测回报的分布。

三、世界模型

从更广泛的观点看，大脑会建立世界模型：

多 agent 可进行交流：

从“心智中的世界模型”出发，也可建立现实的理论。例如 Karl Friston 提出的自由能理论，近年引人注目：

它认为，生物的本质在于让世界模型吻合世界：一面修改世界模型以符合世界（这是显然的），一面修改世界以符合世界模型（这是有趣且也有道理的）。总而言之，降低熵。

四、心理与非理性模型，精神分析

上文关注机械的理性与决策，只代表大脑的一部分。非理性和无意识的部分，同样值得考虑。

生物学上有 Triune Brain 理论，将大脑分为 生存大脑 - 情绪大脑 - 理性大脑（实际情况比这更复杂）：

人的思维是从无意识而来。弗洛伊德的第一拓比（无意识 - 潜意识 - 意识）：

弗洛伊德的第二拓比（本我 - 自我 - 超我），这里开始体现社会化/符号界：

这类视角有意义。因为前文的模型，更像描述动物的行为：动物也会合作和竞争，但都很原始。

而人类已经高度社会化。语言/文化/社会结构/意识形态/MEME 等等，形成了外部记忆/外部系统/外部意识，并深刻塑造人类的行为。

就像那个著名的笑话：人类不但是基因繁衍的方法，人类还是汽车繁衍的方法。

如果从还原论看，可认为这些仍然可来自此前的模型，不过还原论是否正确，现在不知道，所以还是结合多种观点更为有趣。

荣格（意识 - 个人无意识 - 集体无意识），这里的无意识仍然是神秘的混沌冲动：

拉康（实在界 - 想象界 - 符号界），这里的无意识是更清晰的，来自于他者：

后续的客体关系学派的例子：

实际上有很多有趣的想法，例如：

怎么让 AI 理解这里的这些，是个 NLP 的难题。

五、融合

自然的想法，是将这里的观点，包括量子物理（观测问题仍然是复杂的）和数学和各种哲学理论，全部融合。

例如，一种 1 4 的初步融合例子：

个人认为，这里重要的，不是融合出单个理论，而是理解为何人类会提出这些理论。

一个正确的大脑运作模型，应有能力像人类大脑一样，提出人类提出过的所有理论。所以，一切理论，无论对错，都有价值，都属于样本。

对于这种研究，似乎人类对于 AI 仍然保持着优势。很难想象 AI 怎么理解人类的大脑运作。

所以这可能是 AI 最难代替人类的职业。

作者：知乎-PENG Bo

地址：https://www.zhihu.com/people/bopengbopeng