神经生物学启发的认知机器计划Jeffrey L. 克里希马尔[0000−0003−0739−2468]加州大学欧文分校计算机科学系认知科学系，欧文，加利福尼亚州92697-5100美国抽象。尽管人工智能最近取得了令人难以置信的进展，但目前的系统还没有达到我们认为的智能，思考机器。本文提出了一个神经生物学启发的路径，创造认知机器。它表明，将生物有机体中发现的方面，如灵活的学习，有效的处理，体现，价值系统和预测编码，可以导致真正的认知系统。关键词：认知·具身性·神经科学·神经机器人。1介绍在本文中，我描述了一种设计和构建智能，认知机器的途径。它源于神经机器人的目标[18]，其中1)部署具体的代理人可能会导致对神经系统如何引起认知行为的整体理解，以及2）遵循大脑的结构和动力学可能会导致真正的认知机器。我觉得后一个目标对人工智能来说是必要的，因为大脑可以作为智能、认知和可能的意识的工作模型。在最近的一篇文章中，Jeff Hawkins指出，智能系统必须整合大脑的这些方面[10]：1）通过重新布线进行学习，2）稀疏表示，3）体现。我会在这个列表中添加4）价值和5）预测。此外，他表示，未来的思维机器可以忽略生物学的许多方面，但不是这些。从神经机器人学家的角度来看，我将在本文的其余部分中详细阐述这些方面。2设计未来机器的大脑方面2.1通过重新布线大脑表现出一些显著的学习特性，迄今为止还没有生物学得很快，有时只需要一个新的刺激或情况。这不仅仅是人类的能力，老鼠可以在一次经历中学习新的环境[30]。将其与深度学习系统或神经进化算法进行比较，2J. 克里希马尔需要数千次迭代来学习一项任务。可以说，人类积累了多年的经验，一次性学习利用了这种经验。然而，霍金斯指出，学习是渐进的。我们可以学习新的东西，而不必重新训练整个大脑或忘记我们以前学过的东西这是人工系统中的一个开放问题，其中灾难性遗忘或灾难性干扰是研究的活跃领域[29，14]。此外，大多数人工系统都是按照某种标准训练的，然后在部署时冻结学习。相比之下，生物有机体在其一生中学习，同时保持旧的记忆。在大脑中，海马结构的快速学习及其与新皮层的相互作用是学习和记忆的关键[13，19]。在我们自己的工作中，我们发现，一个生物学上合理的神经网络模型，在海马体和内侧前额叶皮层之间的相互作用，能够学习并随着时间的推移巩固记忆模式，以及快速吸收新信息，如果它与先前的模式一致[12]。神经网络还能够学习多个模式，而不会发生灾难性的遗忘。在机器人研究中，我们发现，在目标导向行为过程中，模拟海马体和新皮层之间的相互作用可能导致情景记忆的形成[17，7]。这些模拟和神经机器人实验表明，大脑2.2稀疏表示生物有机体处于严格的代谢约束下，大脑利用许多手段来减少能量消耗，同时最大限度地提高性能。保存能量的一种方法是减少神经活动和代表信息所必需的神经元的数量。事实上，稀疏编码和降维是跨多个大脑区域的常见编码策略。在我们自己的模拟中，我们已经证明了降维和稀疏编码是一种有效的编码策略，在整个大脑中普遍存在[3]。大脑中的许多感觉和皮层表征可以通过对其输入应用降维和稀疏约束来恢复。例如，通过将称为非负矩阵分解（NMF）的降维技术应用于MSTd的输入，出现了一种稀疏的、基于部分的视觉运动表示，其与观察到的皮层区域MSTd的感受野显着相似[2]。当我们在啮齿动物导航任务期间将NMF应用于压后皮质的神经生理学记录时[36]，我们能够在实验期间复制神经活动并预测大鼠的行为。在这两种情况下，刺激都是由少量的神经元（群体稀疏性），并且任何给定的神经元仅被少量的刺激激活（寿命稀疏性）。这些模拟表明，大脑已经进化出了有效地表示信息而不丢失信息的方法。神经生物学启发的认知机器32.3实施例大脑不是孤立地工作的，它们与在其环境中活动的身体密切相关。大脑是具体化的，身体嵌入环境中。事实上，有令人信服的证据表明，身体决定了我们的思维方式，而不是大脑告诉身体如何行动。生物器官执行形态计算，也就是说，身体执行的某些功能减轻了昂贵的大脑处理。例如，双足运动是一个很难控制的问题，我们可以轻松地进行，甚至不需要思考。被动步行机器人通过利用重力和摩擦力，展示了具有简单控制策略的自然步行步态，并且比传统步行机器人使用数量级更少的能量[4，5]。在我们自己的神经机器人工作中，我们构建了大型复杂的神经网络来控制行为，具体化仍然是一种强大的驱动力。例如，晶须激活的时间允许我们的机器人构建纹理的spatiotemporal表示[27]。在我们的赛格威足球机器人中，一个简单的塑料管，类似于呼拉圈，通过将球捕获到它的身体上，减轻了我们详细的视觉皮层模型构建轨迹的难度[8]。总的来说，神经网络（大脑）、机器人（身体）和环境之间的相互作用总有一些方面会导致意想不到的结果和更智能的行为。2.4值生物体通过价值系统来调整它们的行为，这些价值系统发出上下文信息的信号，触发学习，并选择行动。神经调节系统作为价值系统，通过向大脑的其他部分发出奖励，成本，惊喜和其他重要神经调节系统是大脑皮层下的区域，对许多被认为与认知有关的大脑区域有很强的影响。这些神经调节区域通过不同的神经递质发送信号;多巴胺信号奖励，显着性，新颖性和活力。血清素是伤害厌恶、焦虑状态和退缩的信号。去甲肾上腺素保持警惕信号并跟踪意外的不确定性。乙酰胆碱对记忆巩固、注意力和跟踪预期的不确定性至关重要。在机器人学中，神经调节价值系统可以通过改变智能体的认知状态来控制行为。例如，在机器人版本的开放场地测试中，当机器人对不熟悉的环境感到焦虑时，它会通过靠近墙壁或巢穴来模仿啮齿动物的行为[16]。然而，一旦它感觉到环境是安全的，好奇心就会接管，机器人就会在环境中探索新的物体。模拟的乙酰胆碱和去甲肾上腺素使机器人能够对新事件迅速做出反应，并习惯于非信息性事件。模型中血清素水平的增加导致了风险厌恶行为（即，停留在墙壁或巢穴附近），而增加多巴胺水平导致了过度好奇的行为（即，检查环境中间的物体）。4J. 克里希马尔2.5预测预测对于适应复杂世界至关重要。大脑的主要功能是预测和规划未来，以及在结果不符合预期时进行适应。中枢神经系统的反应相当缓慢身体或周围神经系统可以通过形态计算处理许多必要然而，预测引擎会导致计划，图像和很可能的意识。预测需要构建和维护内部模型。大脑维持着广泛行为的内部模型;从运动控制到语言处理[28，11]。有证据表明，在前额叶皮层中存在基于模型的强化学习的神经相关性在啮齿动物海马体中，在采取行动前对不同路径进行心理评估时，观察到了神经痕迹[24，26]。预测和推理是皮质系统中的基本计算[25]。大脑中的这些预测模型允许生物体为未来做计划，并且在行动之前进行深思熟虑时是有利的。在机器人技术中，这些策略启发了机器人控制器开发内部模型来预测物体和其他机器人的运动[21，20]。预测可以导致深思熟虑，心理模拟和心理意象，认知的所有重要方面。它与在一个人的头脑中创造一个场景的能力是一致的，这被称为“reme m b e r d presen t”或主要意识。此外，预测对于拥有心理理论很重要;理解和预测他人意图的能力[22]。这种对自我和他人的意识对于任何有意识的机器来说都是一个关键的组成部分。3结论人工系统近年来取得了很大的进步，但目前还达不到我们所说的认知或意识机器。使用大脑作为存在的证据，这里有人认为神经计算的各个方面可以弥合这一差距。具体来说，1）学习，2）有效的信息处理，3）实施，4）价值信号，5）预测编码是大脑的方面，应该包括在未来的系统。生物有机体是终极的学习机器。他们学得很快，逐渐地，而且是终生的. 现在我们对不同的神经生物学学习规则以及不同的大脑区域在编码和回忆不同记忆中所扮演的角色有了很多了解生物学是在严格的能源限制和大脑是惊人的功率效率。这导致了有效的信息处理的形式稀疏，减少表示的环境特征和行动。这不仅会导致高效的认知机器，也会导致快速决策。大脑不是孤立工作的。许多被认为是认知的东西是大脑、身体和环境之间的紧密耦合。这种耦合需要多模态感觉运动整合和形态计算。未来神经生物学启发的认知机器5认知机器需要考虑到这一点。总之，大脑的这些方面可能为未来的认知机器提供设计途径，可能有某种程度的我们称之为意识的东西引用1. 艾 弗 里 ， MC ， Krichmar ， J.L. ： Neuromodulatory systems and theirinteractions ： A review of models ， theories ， and experiments.Frontiers inNeural Circuits11（108）（2017）2. Beyeler，M.，Dutt，N.，Krichmar，J.L.：mstd的3d视觉响应特性来自于有效的稀疏群体代码。神经科学杂志36（32），83993. Beyeler，M.，E.L.，Carlson，K.，Dutt，N.，Krichmar，J.：大脑皮层的稀疏编码与降维。生物Rxiv（2017）4. Bhounghan，P.A.，Cortell，J.，Grewal，A.，Hendriksen，B.，Karssen，J.G.D.，保罗，C.的方法，Ruina，A.：基于反射的低带宽控制，用于低功 率 步 行 ： 单 次 电 池 充 电 可 行 驶 65The International Journal of RoboticsResearch33（10），13055. 柯林斯，S.，Ruina，A.，特德拉克河，Wisse，M.：基于被动动力步行器的高效双足机器人。Science307（5712），10826. Edelman，G.M.：回忆现在：意识的生物学理论。03 The Dog（1990）7. Fleischer，J.G.，加利，J.A.，Edelman，G.M.，Krichmar，J.L.：通过基于大脑的设备在迷宫导航期间在建模海马中产生的回顾性和前瞻性反应。PNAS104（9），35568. 弗莱舍，J.，Szatmary，B.，Hutson，D.，Moore，D.，斯努克，J.，Edelman，G.，Krich-mar，J.：一个神经控制的机器人在赛格威足球比赛中与人类竞争和合作。IEEE International Conference on Robotics andAutomation（2006）9. J.，Daw，N.，Dayan，P.，奥多尔蒂：状态与奖励：基于模型和无模型的可分辨神经预测误差信号。Neuron66（4），58510. 霍金斯，J.：智能机器需要从新皮层学习什么。IEEE Spectrum（2017）11. 希科克，G.，Houde，J.，Rong，F.：语音处理中的感觉运动整合：计算基础与神经组织。Neuron69（3），40712. Hwu ， T.J. ， Krichmar ， J.L. ： 图 式 与 记 忆 巩 固 的 神 经 模 型 。 bioRxiv（2018）13. van Kesteren，M.T.，Beul，S.F.，Takashima，A.，Henson，R. N.，Ruiter，D.J.，Fer- nandez，G.：内侧前额叶皮质和内侧颞叶皮质的不同作用从一致到不一致。Neuropsychologia51（12），235214. Kirkpatrick，J.，帕斯卡努河Rabinowitz，N.，Veness，J.，Desjardins，G. ， Rusu ， A.A. ， Milan ， K. ， Quan ， J. ， Ramalho ， T. ， Grabska-Barwinska，A.，Hassabis，D.，Clopath，C.，Kumaran，D.，Hadsell，R.：克服神经网络美国国家科学院院刊114（13），3521（2017）15. Krichmar，J.L.：神经调节系统-在充满挑战的世界中生存和适应行为的框架。适应行为16，3856J. 克里希马尔16. Krichmar，J.L.：一个神经机器人平台，用于测试神经调节信号对焦虑和好奇行为的影响。前Neurorobot7，117. Krichmar，J.L.，Nitz，D.A.，加利，J.A.，Edelman，G.M.：表征基于大脑的设备中的功能性海马通路，因为它解决了空间记忆任务。Proc Natl AcadSci U S A102（6），211118. Krichmar，J.，Wagatsuma，H.：神经形态和基于大脑的机器人。剑桥大学出版社（2011）19. Kumaran，D.，Hassabis，D.，McClelland，J.L.：智能代理需要什么样的学习系统？补充学习系统理论更新。趋势认知科学20（7），51220. Murata，S.，Yamashita，Y.，阿里，H.，绪方，T.，Sugano，S.，Tani，J.：通过与他人的互动学习感知世界的概率性或确定性：神经机器人实验。IEEE跨神经网络学习系统28（4），830-848（2017）21. 帕克，JC，Lim，J.H.，Choi，H.，Kim，D.S.：用于开发神经机器人的预测编码策略。《前线心理学》3，134（2012）22. Pearson，J.，克利福德，C.W.，Tong，F.：心理意象对意识知觉的功能影响。Curr Biol18（13），98223. Pfeifer河，Bongard，J.：身体如何改变我们的思维方式：一种新的智力观。The MIT Press，Cambridge，MA（2006）24. Pfeiffer，B.E.，福斯特，D.J.： 海马位置细胞序列描绘了未来的路径记住的目标。Nature497（7447），7425. Richert，M.，Fisher，D.，Piekniewski，F.，Izhikevich，E.M.，Hylton，T.L.：皮质计算的基本原理：具有预测、压缩和反馈的无监督学习。1608.06277（2016）26. Schmidt，B.，Papale，A.，Redish，A.D.，Markus，E.J.：地点与回应导航策略的冲突：对替代试错行为的影响。Learn Mem20（3），13027. Seth，A.K.，McKinstry，J.L.，Edelman，G.M.，Krichmar，J.L.：以脑为基础的设备对视觉和触觉刺激的主动感知。International Journal of Roboticsand Automation19（4），22228. 沙德梅尔河，Krakauer，J.W.：运动控制的计算神经解剖学。Exp BrainRes185（3），35929. Soltoggio，A.，斯坦利，K.O.，Risi，S.：天生学习：进化的塑料人工神经网络的灵感，进展和未来。神经网络108，48-67（2018）30. Wagatsuma，A.，Okuyama，T.，孙角，澳-地史密斯，L.M.，Abe，K.，利根川，S.：海马ca3区的蓝斑输入驱动新情境的单次尝试学习。Proc NatlAcad Sci U S A115（2），E310
我的内容管理
展开
