雷锋网按:本文作者巴特,来自知社学术圈。
在机器学习中,程序员所开发的AI能够计算一个简单行为的所有可能结果。然而人类自身并没有这种生硬的计算能力,我们必须先进行精准的思考,然后执行计划。谷歌DeepMind团队和牛津大学学者刊登在《Neuron》上的一篇文章指出,人们会在思维上创建不同“层级”来指导我们的行为,然后考虑更高级别的事情,而不是思考具体步骤。
Jan Balaguer是牛津大学的博士,同时也是谷歌人工智能团队DeepMind成员。他谈道:“我们主要是想理解人类或动物是如何做出长期决策的。研究机器学习对于复杂任务和现实问题的解决方法是非常有趣的事,这往往要从神经科学上来寻找灵感。”Balaguer和他的同事就是通过一款导航游戏来破译人脑制定决策的过程。
上图为地铁线路计划的图形表达,左边为平面式,右边为层级式。每个节点表示一个可能的状态 (通常为站点),机器人代表起始站,旗子代表终点站。层级模式可以使这样的迷宫图转化为关联环境 (即红线区与蓝线区)。这在某种程度上可以简化对地铁线路的识别和计划。
在一个类似伦敦地铁的虚拟轨道系统上,每个站点代表一个步骤,不同颜色的地铁线代表不同的层级。22个实验对象都被给予一个终点站作为目标,不过每个人看到的线路颜色、站名都是经过重置的,地图的方向也进行了旋转。在游戏过程中同时接受功能性磁共振成像扫描 (fMRI)。
图上的这些语义描述代表了一次旅程中的一系列事件。黑色方块上的上下两个名字分别代表当前站和终点站。响应方向 (箭头) 和线路颜色并不展示给试验者。最下面的数字记录了试验者在每一个事件上所花费的时间 (以秒为单位)。
在不同模式下,所需花费的计算步骤也是不同的。图中展示了四种思维:按照单个站点筹划、按照不同地铁线路筹划、按照换乘站筹划、按照180度转弯U-turn筹划。
试验者在进行导航游戏时,研究人员重点观察他们的注意力是更集中于地铁线路还是个体站点上。结果发现,脑部活动和反应时间主要随着试验者与终点站间的地铁线路变化增加,而不是总站数。大脑中与这种决定相关的区域有两部分,一个是具有高级认知功能的内侧前额叶皮层 (medial prefrontal cortex) 背部,一个是参与实际或者假想运动的前运动皮质 (premotor cortex)。
四种思维模式下脑部冠狀面 (上) 和矢状面 (下) 状态图
Balaguer说:“我们比以往研究更加简单直接地证明了人脑中的层级表现。”
另外,随着试验者越发接近终点,其脑中的腹正中前额皮质和海马体也变得更加活跃。在以前的研究中,只发现海马体在试验者接近既定目标时,会有所表现。
Balaguer介绍:”通过研究人脑如何执行具有层级结构的事情,可以帮助我们设计更为高级和智能的算法。在机器学习中,拥有层级描述的算法对于决策来说可能有利有弊,就看你最开始的时候能不能做出正确选择。“