【導讀】人的大腦和自監(jiān)督學習模型的相似度有多高？

我們都知道，人類的大腦90%都是自監(jiān)督學習的，生物會不斷對下一步發(fā)生的事情做出預測。

自監(jiān)督學習，就是不需要外部干預也能做出決策。

只有少數(shù)情況我們會接受外部反饋，比如老師說：「你搞錯了」。

而現(xiàn)在有學者發(fā)現(xiàn)，大型語言模型的自監(jiān)督學習機制，像極了我們的大腦。

知名科普媒體Quanta Magazine近日報道，越來越多的研究發(fā)現(xiàn)，自監(jiān)督學習模型，尤其是大型語言模型的自學方式，與我們的大腦的學習模式非常類似。

過去常見的AI系統(tǒng)都是使用大量標記數(shù)據(jù)進行訓練的。

例如，圖像可能被標記為「虎斑貓」或「虎貓」，用以訓練人工神經(jīng)網(wǎng)絡來正確區(qū)分虎斑和虎。

這種「自監(jiān)督」訓練需要人工費力地標記數(shù)據(jù)，而神經(jīng)網(wǎng)絡通常會走捷徑，學習將標簽與最少、有時甚至是膚淺的信息聯(lián)系起來。

例如，神經(jīng)網(wǎng)絡可能會使用草的存在來識別奶牛的照片，因為奶牛通常是在田野中拍攝的。

加州大學伯克利分校的計算機科學家阿列克謝·埃弗羅斯 （Alexei Efros） 說：

我們正在培養(yǎng)的算法，就像是一整個學期都沒來上課的本科生，雖然他們并沒有系統(tǒng)學習這些材料，但他們在考試中表現(xiàn)出色。

此外，對于對動物智能和機器智能的交叉感興趣的研究人員來說，這種「監(jiān)督學習」可能僅限于它對生物大腦的揭示。

許多動物，包括人類不使用標記數(shù)據(jù)集來學習。在大多數(shù)情況下，他們自己探索環(huán)境，并且通過這樣做，他們對世界獲得了豐富而深刻的理解。

現(xiàn)在，一些計算神經(jīng)科學家已經(jīng)開始探索使用很少或沒有人工標記數(shù)據(jù)進行訓練的神經(jīng)網(wǎng)絡。

最近的研究結果表明，使用自我監(jiān)督學習模型構建的動物視覺和聽覺系統(tǒng)的計算模型比監(jiān)督學習模型更接近大腦功能。

對一些神經(jīng)科學家來說，人工神經(jīng)網(wǎng)絡似乎開始揭示用大腦來類比機器學習的途徑。

有缺陷的監(jiān)督

大約10年前，受人工神經(jīng)網(wǎng)絡啟發(fā)的大腦模型開始出現(xiàn)，同時一個名為AlexNet的神經(jīng)網(wǎng)絡徹底改變了對未知圖像進行分類的任務。

這項成果在Alex Krizhevsky、Ilya Sutskever和Geoffrey E. Hinton 的論文「ImageNet Classification with Deep Convolutional Neural Networks」中發(fā)表。

論文地址：https://dl.acm.org/doi/10.1145/3065386

與所有神經(jīng)網(wǎng)絡一樣，該網(wǎng)絡由多層人工神經(jīng)元組成，其中不同神經(jīng)元之間連接的權重不同。

如果神經(jīng)網(wǎng)絡未能正確分類圖像，學習算法會更新神經(jīng)元之間連接的權重，以降低在下一輪訓練中錯誤分類的可能性。

該算法重復此過程多次，調整權重，直到網(wǎng)絡的錯誤率低到可以接受的程度。

之后，神經(jīng)科學家使用AlexNet開發(fā)了第一個靈長類視覺系統(tǒng)（Primate Visual System）的計算模型。

當猴子和人工神經(jīng)網(wǎng)絡顯示相同的圖像時，真實神經(jīng)元和人工神經(jīng)元的活動顯示出類似的反應。

在聽覺和氣味檢測的人工模型上也取得了相似的結果。

但隨著該領域的發(fā)展，研究人員意識到自監(jiān)督訓練的局限性。

2017年，德國蒂賓根大學的計算機科學家Leon Gatys和他的同事拍攝了一張福特T型車的照片，然后在照片上覆蓋了豹皮圖案。

而人工智能神經(jīng)網(wǎng)絡將原始圖像正確分類為Model T，但將修改后的圖像視為豹子。

原因是它只專注于圖像紋理，不了解汽車（或豹子）的形狀。

自監(jiān)督學習模型旨在避免此類問題。

瑞士巴塞爾弗里德里?！っ仔獱柹镝t(yī)學研究所的計算神經(jīng)科學家弗里德曼·岑克 （Friedemann Zenke） 說，

在這種方法中，人類不會標記數(shù)據(jù)，相反，標簽來自數(shù)據(jù)本身。自監(jiān)督算法本質上是在數(shù)據(jù)中創(chuàng)建空白，并要求神經(jīng)網(wǎng)絡填補空白。

例如，在所謂的大型語言模型中，訓練算法將向神經(jīng)網(wǎng)絡顯示句子的前幾個單詞，并要求它預測下一個單詞。

當使用從互聯(lián)網(wǎng)收集的大量文本進行訓練時，該模型似乎可以學習語言的句法結構，展示出令人印象深刻的語言能力——所有這些都沒有外部標簽或監(jiān)督。

計算機視覺方面也正在進行類似的努力。

2021年底，何愷明及其同事展示了著名的掩碼自動編碼器研究「Masked Auto-Encoder」（MAE）。

論文地址：https://arxiv.org/abs/2111.06377

MAE將未掩碼部分轉換為潛在表示——壓縮的數(shù)學描述，其中包含有關對象的重要信息。

在圖像的情況下，潛在表示可能是一種數(shù)學描述，其中包括圖像中對象的形狀。然后解碼器將這些表示轉換回完整的圖像。

大腦也是「自監(jiān)督」的

在這樣的系統(tǒng)中，一些神經(jīng)科學家認為，我們的大腦實際上也是自監(jiān)督學習的。

麥吉爾大學和魁北克人工智能研究所（Mila）的計算神經(jīng)科學家布萊克-理查茲（Blake Richards）說：「我認為毫無疑問，大腦所做的90%都是自監(jiān)督學習?！?/p>

生物大腦被認為是在不斷地預測，例如，一個物體在移動時的未來位置，或一句話中的下一個詞，就像自我監(jiān)督學習算法試圖預測圖像或一段文字的間隙一樣。

理查茲和他的團隊創(chuàng)建了一個自監(jiān)督模型，暗示了一個答案。他們訓練了一個結合兩種不同神經(jīng)網(wǎng)絡的人工智能。

第一個，稱為ResNet架構，是為處理圖像而設計的；第二個，稱為遞歸網(wǎng)絡，可以跟蹤先前的輸入序列，對下一個預期輸入進行預測。

為了訓練聯(lián)合AI，該團隊從一連串的視頻開始，比如說10幀，讓ResNet逐一處理。

然后，遞歸網(wǎng)絡預測了第11幀的潛在表示，而不是簡單地匹配前10幀。自監(jiān)督學習算法將預測值與實際值進行比較，并指示神經(jīng)網(wǎng)絡更新其權重，以使預測效果更好。

為了進一步測試，研究人員向AI展示了一組視頻，西雅圖艾倫腦科學研究所的研究人員以前曾向小鼠展示過這些視頻。與靈長類動物一樣，小鼠的大腦區(qū)域專門用于靜態(tài)圖像和運動。艾倫研究人員在小鼠觀看視頻時記錄了小鼠視覺皮層的神經(jīng)活動。

理查茲的團隊發(fā)現(xiàn)了AI和活體大腦對視頻的反應方式的相似之處。在訓練過程中，人工神經(jīng)網(wǎng)絡中的一條途徑變得與小鼠大腦的腹側、物體探測區(qū)域更加相似，而另一條途徑則變得與注重運動的背側區(qū)域相似。

這些結果表明，我們的視覺系統(tǒng)有兩條專門的通路，因為它們有助于預測視覺的未來；單一的通路是不夠好的。

人類聽覺系統(tǒng)的模型講述了一個類似的故事。

6月，由Meta AI的研究科學家Jean-Rémi King領導的團隊訓練了一個名為Wav2Vec 2.0的人工智能，它使用一個神經(jīng)網(wǎng)絡將音頻轉化為潛在的表征。研究人員對這些表征中的一些進行了屏蔽，然后將其送入另一個稱為轉化器的組件神經(jīng)網(wǎng)絡。

在訓練過程中，轉化器預測被屏蔽的信息。在這個過程中，整個人工智能學會了將聲音轉化為潛在的表征，同樣，不需要標簽。

該團隊使用了大約600小時的語音數(shù)據(jù)來訓練網(wǎng)絡。「這大約是一個孩子在前兩年的經(jīng)驗中得到的東西?！菇鹫f。

Meta AI的讓-雷米-金幫助訓練了一種人工智能，它以模仿大腦的方式處理音頻--部分是通過預測下一步應該發(fā)生什么

一旦該系統(tǒng)被訓練出來，研究人員給它播放英語、法語和普通話的有聲讀物部分，然后將AI的表現(xiàn)與412人的數(shù)據(jù)進行了比較（這些人都是以這三種語言為母語的人），他們在核磁共振掃描對自己的大腦進行成像時，聽了同樣長的一段音頻。

結果顯示，盡管fMRI圖像有噪音且分辨率不高，但AI神經(jīng)網(wǎng)絡和人類的大腦「不僅相互關聯(lián)，而且還以系統(tǒng)的方式關聯(lián)」。

AI早期層的活動與初級聽覺皮層的活動一致，而AI最深層的活動則與大腦中較高層的活動相一致，比如前額葉皮層。

「這是非常漂亮的數(shù)據(jù)，雖然算不上是決定性的，但算得上是令人信服的證據(jù)，表明我們學習語言的方式在很大程度上是在預測接下來會說的話。」

有人不同意：模擬大腦？模型、算法都差的遠

當然，也并非所有人都認同這種說法。

MIT的計算神經(jīng)科學家喬希-麥克德莫特（Josh McDermott）曾使用監(jiān)督和自監(jiān)督學習研究視覺和聽覺的模型。他的實驗室設計了一些人工合成的音頻和視覺信號，對于人類來說，這些信號只是難以捉摸的噪音。

然而，對于人工神經(jīng)網(wǎng)絡來說，這些信號似乎與真實語言和圖像沒有區(qū)別。這表明，在神經(jīng)網(wǎng)絡的深層形成的表征，即使是自監(jiān)督學習，也與我們大腦中的表征不一樣。

麥克德莫特說：「這些自我監(jiān)督的學習方法是一種進步，因為你能夠學習能夠支持很多識別行為的表征，而不需要所有標簽。但仍然有很多監(jiān)督模型的特征?！?/p>

算法本身也需要更多改進。比如在Meta AI的Wav2Vec 2.0模型中，AI只預測了幾十毫秒的聲音的潛在表征，比人發(fā)出一個噪音音節(jié)的時間還要短，更不用說預測一個詞了。

要真正實現(xiàn)讓AI模型和人類大腦相類似，我們還有很多事情要做，金說。

如果目前發(fā)現(xiàn)的大腦和自我監(jiān)督學習模型之間的相似性在其他感官任務中也成立，將更有力地表明，無論我們的大腦有什么神奇的能力，都需要以某種形式進行自監(jiān)督學習。

審核編輯 ：李倩