人工智慧和自然智能能否交匯？李飛飛對話史丹佛神經生物學教授Bill Newsome

選自hai.stanford.edu

作者：SHANA LYNCH

機器之心編譯

編輯：張倩

計算在神經科學中扮演了什麼角色？在分子水平上理解大腦能否帶來更好的神經網路？人工智慧和自然智能之間是否存在一道無法逾越的鴻溝？會不會出現一個研究智能的統一框架？在最新的一次訪談中，李飛飛與 Bill Newsome 展開了一場深入對話。

計算在神經科學中扮演了什麼角色？在分子水平上理解大腦能否帶來更好的神經網路？人工智慧和自然智能之間是否存在一道無法逾越的鴻溝？會不會出現一個研究智能的統一框架？在最新的一次訪談中，李飛飛與 Bill Newsome 展開了一場深入對話。

人腦只需要 20 瓦的功耗就可以處理運動、視覺、推理、規劃、情感等龐雜任務，GPT-3 功耗 400 瓦也只能處理語言任務，這種差距不禁令人思索：人工智慧和自然智能之間是否存在一道無法逾越的鴻溝？

在這次訪談中，史丹佛大學計算機科學系教授、以人為本人工智慧研究院（HAI）院長李飛飛與史丹佛大學醫學院神經生物學教授、吳蔡神經科學研究所所長 Bill Newsome 展開了一場深入對話。

李飛飛的主要研究領域為計算機視覺、認知神經科學等。她本科階段就讀於普林斯頓大學，主攻物理學，2005 年獲加州理工學院的電子工程博士學位。從 2007 年開始，李飛飛和一位同事著手開始一項龐大的任務，為來自互聯網的十億張圖片進行分類、打標簽，從而為計算機提供樣本。最終，他們建立了 ImageNet 數據集，促進了人工智慧浪潮的發展，也讓整個 AI 學術界和產業界記住了這位傳奇的華人女博士。2020 年 2 月，李飛飛因「為建立大型知識庫研究機器學習和視覺理解做出貢獻」入選美國工程院院士。

Bill Newsome 博士是系統和認知神經科學領域的頂級研究者。他本科就讀於斯泰森大學，主修物理學，之後在加州理工學院拿到生物學博士學位。他對我們理解視覺感知背後的神經機制和簡單的決策形式做出了根本性的貢獻。作為吳蔡神經科學研究所所長，他專註於多學科研究，幫助我們了解大腦，為大腦雜亂提供新的治療方法，並促進大腦健康。2000 年，他被選為美國科學院院士。

在這場對話中，李飛飛和 Bill Newsome 主要探討了以下主題：

• 計算在神經科學中的三個角色
• 需要計算神經科學家來解決的難題
• 在分子水平上理解大腦能否幫助我們構建神經網路
• 認知神經科學在構建 AI 方面的作用
• 為什麼說 AI 不只是一個用來幫助理解生物學的工具
• AI 動機能否擴展到可量化的目標之外
• 思考意識和智能的方法

對話的完整視訊如下：

計算在神經科學中的三個角色

李飛飛：您認為計算在您的領域和吳蔡研究所的工作中發揮著什麼樣的作用？

Newsome：計算在當今的神經科學領域非常重要。我們有一個叫計算神經科學的分支，我們在史丹佛也有這方面的教員，而且將來會聘用更多。經常有人會問我：「計算神經科學是什麼？」我通常會回答說，計算神經科學有三個非常、非常重要的研究領域。

第一個是理論，這個領域的人嘗試將該學科理論化並抽象出大腦進行計算、表征和動作生成的通用原理。

第二個是神經網路，這個領域的人知道如何構建深度卷積網路和循環神經網路，他們建模來解決一些已知神經系統可以解決的簡單問題。如果可以弄清楚這些網路如何解決上述問題，我們或許就可以深入了解關於神經系統的一些新假設。

第三個是高端數據分析。我們現在所得到的數據正在變得空前龐大、龐雜，有時還很模糊。知道如何處理這些數據、如何避免統計陷阱已經變得非常重要。

我認為計算的這三個方向對於神經科學至關重要。不同的計算神經科學家可能精通其中的兩個方向，有些人三個都很精通，但對於神經科學來說，我們還需要更多的人加入進來，因為挑戰也是空前的。

需要計算神經科學家來解決的難題

李飛飛：您認為是哪些挑戰讓我們如此需要這些計算神經科學家？

Newsome：我來舉一些現實世界的例子吧。其中一個例子可能會讓你覺得計算在發揮主導作用，比其他神經科學方法都要先進；還有一個可能會讓你覺得計算需要介入進去，發揮其作用，以加深對問題的理解。

我首先要講的是神經系統中一種叫做「integration（整合）」的過程。簡單點說，它就是對發生的事件進行計數，對某個時間序列進行積分，最後算出結果。這在神經系統的很多研究領域都是一個非常重要的問題，包括決策。但我們也可以簡單地理解，比如說，在將視線從一個點轉移到另一個點的時候，某些神經元會放電，給出一個關於眼部運動的 map，大腦接收到這些信號之後，就會指揮眼睛做相應運動。神奇的是，即使放電消失了，它們也還在那兒。

計算的理論是關於「整合」的：你如何接受放電帶來的神經信號，如何求在眼睛下一次運動之前保持其位置不變的一些值的積分？在這個例子中，我們掌握了一些關於生理學、計算學和產生眼球運動的大腦連接結構的知識，但缺少的是解剖學方面的知識。

事實證明，包含物理原理的幾種不同的計算理論可以解釋這一點，但要想知道大腦究竟符合哪一種理論，我們需要掌握能解釋細胞之間如何連接的微觀解剖學。這就是一個計算理論起到主導作用並激發了一些解剖學問題的例子。

今天很多聽眾會產生共識的一個例子是深度卷積網路，它在視覺領域正在逼近甚至超越人類的表現。這就帶來了一個很有意思的問題：我們確切地知道訓練過的網路各層之間的聯繫，知道它們之間傳遞的信號，也可以測量它們的性能，但神經科學家們還是普遍存在一種焦慮，因為我們不知道這一切是怎麼發生的。

你可以用一堆像素來識別出人臉，但算法的原理是什麼？也就是說，在這一領域，深層的物理、計算原理都還沒建立起來。在這種情況下，我認為計算需要介入進來，這不僅有助於我們了解人工網路，還有助於了解大腦中識別人臉的真正網路。

在分子水平上理解大腦能否幫助我們構建神經網路

李飛飛：我們現在有一些成百上千層的神經網路，一方面，它們的表現非常驚艷，但另一方面，這些網路又都非常龐大，而且與大腦相比非常不自然。我舉一個神經元之間通訊的例子。在今天的神經網路算法中，它的實現方式是一個單一的標量值，而大腦中突觸的通訊要龐雜得多。神經信號不僅僅是一種神經信號，我想了解更多。

此外，從系統的角度來看，我們的大腦是一個有機器官，至少進化了 5 億年之久。它有不同的部分、不同的模塊。而今天的神經網路遠沒有達到那種龐雜性和結構。

我很想知道，從您的角度來看，隨著我們在分子層面、突觸層面和系統層面對大腦計算的了解越來越多，我們在構建這些神經網路的過程中會不會得到一些新的洞見？

Newsome：我希望有，飛飛。我認為這是研究計算的神經科學家爭論的最深邃的智力問題之一，也就是 AI 和 NI（natural intelligence）能夠在多大程度上交匯，成為真正有用的對話夥伴。還是說它們只是夜間經過的船隻，或兩個平行宇宙？正如你所指出的，它們之間存在很大的差異。

單個神經元是非常龐雜的（我們大腦中有 1000 億個神經元）：形態龐雜、生物物理性質龐雜，不同的神經元有不同類型的物理特性。它們是完全非線性的，通過突觸連接成回路，理解和描繪這些回路是神經科學領域的一大基本問題。

但有一個問題值得我們停下來思考。那就是，大腦中有很多神經調節物質，它們在大腦中擴散到自己周圍的數千個突觸，這些物質可以徹底改變整個回路。你拿一組以特定方式連接的神經元，然後噴上這些神經調節物質，回路瞬間就改變了。

李飛飛：這點確實非常令人著迷，我們的深度學習架構裡面就沒有這種計算機制。

Newsome：普遍循環（universally recurrent）是大腦架構的另一種特征。大腦的 A 區可以投影到 B 區，你可以把它想像成深度卷積網路中的一層投影到另一層。但不可避免的是，B 也會投影回 A。如果不把兩個區域都弄清楚，你就很難理解其中任何一個區域的活動，也無法理解非線性活動以及產生同時涉及多個層的狀態的動態相互作用。

我們很多人都認為，理解那些分布在網路中的動態狀態將成為理解很多大腦計算的關鍵。

我知道現在很多 DCN 都已經開始包含循環。我不知道具體是那個領域，但那肯定是得到 dynamics 的一種方法。

dynamics 是大腦運行的另一個普遍特征。它們反映了周圍世界的 dynamics，輸入和輸出的 dynamics。你需要有動力輸出來驅動肌肉將手臂從一個地方移動到另一個地方，對吧？所以大腦在 dynamics 方面要豐富得多。

關於大腦的另一件事是它的超低功率運轉。

李飛飛：是啊，大腦只需要 20 瓦就能運轉。但相比之下，GPT-3 等高性能神經網路都非常消耗 GPU 的算力，你怎麼看待這個問題？

Newsome：我沒仔細想過這個問題。我在史丹佛有一個同事，他叫 Kwabena Boahen，研究的是神經形態工程。他試圖構建一個模擬電路，以一種更加類似大腦的方式運行。他的模擬電路在能耗方面非常高效，但還沒有達到 DCN 目前已經達到的令人印象深刻的性能和類認知任務的水平。因此，這裡有一條鴻溝需要逾越。

認知神經科學在構建 AI 方面的作用

李飛飛：您剛才提到了「認知」這個詞，我想深入討論一下。雖然我們剛開始談的是計算神經科學，但認知神經科學也是神經科學和我所在視覺領域的一部分。在過去的 30 年裡，認知神經科學在視覺領域發揮了很大的作用，它向 AI 領域展示了需要研究的問題，尤其是 Irv Biederman、Molly Potter 等人七八十年代在心理物理學領域做出的傑出工作。這些工作向我們展示了目標識別的重要問題，並導致計算機視覺目標識別研究在上世紀 90 年代和 21 世紀前十年出現突破性發展。

所以我想聽聽您的看法，您認為認知神經科學是否還在兩方面發揮作用，一方面是今天的 AI 研究，另一方面是 AI 反過來幫助前者？

Newsome：我在認知神經科學方面不像你那麼精通。我以一種非常簡單的方式思考認知神經科學。我是一個感覺神經科學研究者，研究視覺系統、Hubel 和 Wiesel 的理論基礎以及視網膜的感受場特性，然後是大腦的第一個處理過程和大腦皮層。

20 世紀七八十年代，我開始研究大腦，思考來自周邊的信號。我們都管自己叫感覺神經科學研究者，但還有一組神經科學家在往相反的方向努力。他們讓動物做出動作，比如眼睛向右看，或者移動手臂。他們觀察為這些動作提供輸入的神經元，然後追蹤這些輸入回到大腦。這是一種運動科學方面的努力。

感覺派和運動派很樂於傾聽彼此的看法，但他們從沒有認真坐下來聊過。

但最終，二者還是相遇了。為這兩者的結合做出貢獻是我職業生涯的一部分。我們採用的方法是研究簡單的決策形式：給動物感覺刺激，讓它們就自己看到的東西做出決策，然後採取下一步動作。如果它們決策正確，就給予獎勵。

那麼問題來了，感覺信號——也就是決策結果——是如何與控制運動相聯繫的呢？此時你就進入了認知領域。有人認為那是大腦中的感覺系統與運動系統的分水嶺。那麼決策是如何輸出的呢？

你可以將大腦中的感覺表示看作一種類似證據的東西，用來證明現實世界中都有什麼。然後你可以想像大腦中的這些認知結構需要做出決策、輸出決策、指導動作。你不能同時讓眼睛向左看和向右看。有時你必須做出決策。

我就是這麼理解認知科學的。我認為認知科學現在是神經科學領域最有意思的方向之一。計算理論正在發揮作用，因為一些整合問題，對來自嘈雜刺激的證據的整合，那一類的理論模型深深地啟發了我在決策方面的工作。所以我說計算理論正在做出貢獻。

有時候我也會反過來想：我們從視覺和神經科學中學到了什麼，可以給 AI 提供啟發？我們倆也討論過這個問題。

李飛飛：是啊。我想舉一個我們領域的例子。Dan Yamins、Nick Haber 等年輕一代的史丹佛神經科學家都在嘗試將發展認知靈感帶入深度學習框架的計算建模中。你可以把他們正在構建的這些學習智能體看作學習中的兒童。在好奇心、探索等方面，這些智能體正在試圖遵循人類早期認知發展的規律，學習建立一個世界模型，同時改進自己的動態模型與世界交互的方式。

我認為，來自認知發展科學的箭矢實際上正在指向 AI，以啟發新的計算算法，而這些新算法超越了監督學習等傳統模型。

Newsome：神經科學真正引領人工智慧、卷積網路、人工視覺的一個例子是對哺乳動物大腦早期視覺的深刻理解，即對空間和時間頻率進行過濾的設定場結構在空間中有特定的位置；它的多尺度特性；以抽取面向 Gabor 濾波器的方式組裝這些單元。這是典型的定向過濾，在所有哺乳動物皮層處理的早期階段都是常見的。而現在，這些都融入了人工視覺。

這是第一件事。你甚至不需要通過哪些步驟訓練一個 DCN。你只需要從這個前端開始，這個前端來自於神經科學，來自於 Hubel 和 Wiesel 的經典著作，通過一些基本的心理物理學和統計分析。如果非要讓我指出神經科學給人工智慧帶來的東西，那我會說它為很多願景開了個頭。

李飛飛：這確實很了不起。

Newsome：我還想說另外一些挑戰。我相信年輕一代的視覺研究者，或者說每個人都已經認識到，雖然在某些情況下，經過訓練的人工視覺系統可以超越人類，但它們的學習過程與人類是如此的不同。

人工系統需要成千上萬的例子才能學得比較好，但我女兒兩三歲的時候只看了十幾次大象的圖片就記住了，而且不同角度、不同環境都能認出來。兩者是完全不同的。這個例子說明，人類認知神經科學以及關於人類和動物早期的視覺發展的研究給人工視覺、人工智慧的研究提出了真正的挑戰。

李飛飛：我想強調你剛才提到的一點，就是 NI 系統的學習方式是如此不同。我還記得 20 年前，我第一篇關於 AI 的論文是「One-Shot Learning of Object Categories」，但直到今天，我們還沒有一個真正有效的框架來實現類似人類的 one-shot 或 few-shot 學習。除了基於例子的學習，我們還有無監督學習，它們具有靈活性和泛化能力，這確實是整個智能領域的一大前沿，無論是人類智能，還是人工智慧。

Newsome：我認為 AI 和 NI 現在都應該適當謙虛。我們對於其原理的理解似乎同樣膚淺。

李飛飛：我覺得它在某種程度上甚至對我們這些科學工作者產生了社會影響。我們需要和大眾分享 AI 的局限性，因為當前對 AI、機器的炒作是建立在對 AI 系統局限性理解不足的基礎之上的。

為什麼說 AI 不只是一個用來幫助理解生物學的工具

李飛飛：Bill，我想稍微換個話題。我認為你們在吳蔡研究所做的工作應該已經超越了這些相對低層次的建模。吳蔡研究所最重要的使命之一與神經雜亂和醫療相幹。所以我想問：我們是否應該將 AI 和機器學習更多地看作是一種工具，讓這種數據驅動的方法幫助研究者、醫生發現疾病機理和治療方法？吳蔡研究所有沒有類似的工作？你如何從研究神經雜亂的角度來看待人工智慧?

Newsome：這是一個好問題。人工智慧真的更多地是一種工具，使我們能夠進行嚴肅的生物學研究，還是說人工智慧的過程、算法和架構結構有助於我們理解它們在大腦中的對應關係？

我覺得兩者都有。我來舉一個神經疾病的例子。一些神經系統疾病具有精神共病（psychiatric comorbidities），最大的問題是神經系統某處的細胞開始死亡，而我們並不知道原因，比如帕金森、阿爾茲海默症。我相信這些疾病都將在分子、細胞層面得到解決，而 AI 可以在其中發揮巨大作用，提供用來聚合基因、分子層面數據的工具。

另一方面，有些神經疾病更像是系統類型的疾病，即問題不是由單獨的細胞造成的，比如帕金森病的一些症狀（震顫等），我們可以通過將刺激電極放入大腦並進行一種叫做深度腦部刺激的過程來矯正。雖然這種方法無法治愈帕金森，但可以治療一些症狀。

還有就是憂鬱症，這不是一種退行性疾病，而是一個動態的過程。它有點像大腦內部的狀態系統，這種狀態可以經過多個系統，有些是憂鬱的，還有些是我們看上去更加正常或積極的。

我認為，這種龐雜系統的狀態將成為 AI 計算神經科學推力的重要部分：基於某些輸入，理解這些密集連接的網路，可以假設不同的狀態在它們之間波動。我認為這能讓我們更深入地了解疾病本身。

所以我認為上述問題的答案取決於你討論的是什麼疾病。

李飛飛：這說明了機器學習 AI 在這一領域的廣泛應用。在 HAI，我們看到史丹佛大學醫學院、吳蔡研究所和 HAI 的研究者已經開始合作，其合作領域覆蓋了上述所有話題，包括用於幫助創傷患者的神經刺激強化學習算法，也有用來幫助患者進行神經康復治療的計算機視覺算法。此外還有藥物研發等領域。我很高興看到這樣一個 AI 和神經科學結合的新領域。

Newsome：我認為這種趨勢還將繼續下去，而且二者的交叉將會越來越多。我認為，將來我們可以通過憂鬱症患者的用詞進行實時的快速分析，以此來診斷憂鬱症，而不是通過和醫生的昂貴溝通。我認為算法不會取代醫生，但算法會非常有用。

AI 動機能否擴展到可量化的目標之外

Newsome：我可以問你一些我感興趣的問題嗎？

李飛飛：當然可以。

Newsome：我有幸旁聽了一些關於人工智慧的討論，其中有這麼一個問題：當一個人或動物執行一項任務的時候，比如在兩個動作之間做出選擇，他們當時的動機是什麼？

這個問題非常龐雜。在人類社會的各種場景中，我們會考慮公平，因此我們會做一些違背經濟利益的事情來確保公平。我們有這些價值觀，這些動機，這些激勵。所以我就在想：人工智慧體的動機是什麼？據我所知，人工智慧體的動機是將代價函數最小化。但這就是理解激勵和動機所需要的全部嗎？

我們所擁有的這些龐雜的感覺都可以被簡化為代價函數？還是說，AI 需要發現一個完整的世界，它們現在甚至還沒有觸及到表面？

思考意識和智能的方法

李飛飛：當你提到「動機」的時候，我就在想：我能寫出什麼樣的獎勵目標數學函數？結果想出的都是些非常簡單的，比如圍棋頂用到的函數，我最大化了己方棋子所占有的領域；再比如自動駕駛汽車，我會有一堆可量化的目標，即：保持在車道中行駛，不要碰障礙物等。簡而言之，動機對於人類來說是一個非常龐雜的詞，但當前的 AI 算法卻被簡化為數學獎勵函數，有時候簡單到只有一個數字（標量函數）或者一堆數字。

這顯然造成了我們與公眾之間的一個溝通問題。一方面，公眾認為視覺、語言系統的表現非常驚人，尤其是那些令人困惑的語言系統，你會覺得它真的在和你對話。但其實，它們只不過是一些為達到自己所看過的類似模式而優化的智能體。

所以，我們並沒有就此問題給出一個深刻的答案。但我想問的是：作為一個神經科學家以及一個更加客觀的 AI 觀察者，上述問題是不是人工智慧和自然智能之間一道無法逾越的鴻溝，還會涉及意識、覺知等哲學問題？或者，這其實是一個計算問題，當計算發展到足夠龐雜，動機、覺知、甚至意識就會出現？

Newsome：首先，我認為這不是一個根本性的分歧。我不認為我們大腦中有什麼神奇的東西與碳、氧、氫、氮組成的分子相幹聯。我有時會和小組成員做一個思維實驗，問他們一個問題：「我的大腦中有一千億個神經元，但如果我可以拿出其中一個，換上一個矽酮的人造神經元，後者可以完美地模仿自然神經元的所有活動，甚至可以分泌一些神經調節物質來調節神經元之間的連接，我還是我嗎？」我覺得答案是「yes」。我認為我的意識和感覺不會出現根本性的差別。但是你可能會問：「如果換兩個呢？」「三個呢？」以此類推，直到一千億個都換掉。

我內心深處的感覺是：如果這些人工神經元能夠很好地模仿神經元之間功能性的相互作用，我們就會擁有一個意識實體。我認為這個實體需要通過身體與外部世界相連接，因為我們的學習和感覺很多都來自經驗。因此，我認為，機器人技術對於回答這個問題非常重要。我不喜歡把脫離實體的有意識的大腦裝進一個矽基計算機的想法，而且對此深表懷疑。

李飛飛：這很像一個電影——《她（Her）》。

Newsome：沒錯。我認為這種分歧不是根本性的。但就意識以及那些強烈的情感存在的地方而言，我也隻知道人類的大腦，當然還有很多哺乳動物的大腦，鳥類和其他動物可能也有。

如果說人工智慧和神經科學之間有一個根本性的分歧，那只是因為它們從不同的假定出發，目標也不同。

李飛飛：對於您的觀點，我有讚同之處，也有不讚同之處。您剛剛說，我們現在所處的研究階段、深度學習算法以及對於對於大腦的理解都還很初級，這點我很讚同。到目前為止，AI 能夠做的事情與自然智能所能做的事情（從計算到情感再到意識）還存在巨大差距。我真的不認為目前的架構和數學指導原則能讓我們實現這個目標。

我不明白的還有您剛剛說的 100% 的神經元都替換掉的情況。首先，我不明白「完美地模仿」在那個思維實驗中是什麼意思，因為這是反事實的場景。比如說，我們把您的神經元都換掉了，然後成功模仿了您到目前為止的生命階段，但未來呢？這真的還是您嗎？這幾乎是一個哲學問題，我不知道怎麼回答。但我認為這個意識問題是一些神經科學研究者研究的核心，也是 AI 領域一個非常有趣的問題。

Newsome：意識，我稱它為 C word。多數情況下我不會說出「C word」。但是，也許正如笛卡爾所認為的，它可能是我們內在精神生活中最真實、最有趣的特征，所以當然值得思考，無論是從神經科學的角度還是從人工智慧的角度。

這個詞之所以模糊不清，是因為我們用它來指代很多不同的東西。它可以指一種病理狀態，比如說某個人神志不清（unconscious）；也可以指：「我留意到了自己眼前的電視畫面，但沒留意我此時此刻穿的鞋子」；當然，還有更高級的用法：「我意識到我將繼續存在，也有一天會死。我的生命是有限的，需要利用這些有限的時間努力尋找生命的意義。」

所以你必須仔細想想，你想要借助這個詞理解什麼。我覺得其中最普遍的一個就是我們在任意時刻感覺到了什麼，即覺知（what we’re aware of-）。哲學家稱其為現象性覺知。很多聽眾可能都熟悉 David Chalmers 以及他提出的「困難問題（Hard problem of consciousness）」和「簡單問題」。如果你不知道，非常建議去了解一下。

Chalmers 認為，神經科學家終將解決一些「簡單問題」，如注意力、記憶、視覺感知、視覺協調等，因為從原則上講，我們可以看到這些問題對應答案的輪廓，盡管我們現在離細節還差得遠。

而他所說的「困難問題」是：為什麼一些生物機制要以一種特殊的方式連接在一起，為什麼會有一些我們意識到的內在感覺隨之而來？比如快樂、難過，再比如看到紅色、綠色。為什麼會存在這些現象性的經歷？

作為一個神經生物學家，在動物身上探索一些問題是我學到的東西之一。比如，我可以用電刺激大腦的不同部分，由此可以得出非常龐雜的反應和行為，然而我卻不知道動物此刻真正的感覺是什麼。我們的感覺是一種第一人稱經驗，你很難用任何一種客觀的術語或數學方法來描述其他動物的感覺。

李飛飛：感質體驗（Qualia experience。在哲學中，感質的定義是主觀意識經驗的獨立存在性和唯一性）。

Newsome：沒錯，是感質。這屬於「困難問題」。多數神經科學家都會否認「困難問題」的存在。這幾乎是一個意識形態問題，因為神經生物學家都相信他們所在領域的至高無上。這是一種深刻的信念，即 500 年後，或無論多久，一旦我們掌握了成熟的神經科學，關於大腦或思維就沒有什麼需要解釋的了。

而認真對待「困難問題」的人會說，「可能從本質上來說，我們無法以第三人稱的科學來解釋第一人稱的經驗。」這中間可能存在一種錯配。所以我相信這一點，但我是一個相信這點的不尋常的神經科學家。

李飛飛：您確實是一位思想開放的神經科學家。我記得我在普林斯頓大學讀物理學的時候，有些物理學家表示，人類無法理解宇宙的最深處，因為我們是宇宙的一部分。身處其中，難窺全貌。

但是為了讓 AI 中的「意識」概念更加具體，我們將它收窄到「覺知」；甚至不是這種深層的覺知，而是脈絡的覺知。在 AI 領域，我最喜歡的一句話來自 70 年代，那句話給 AI 下的定義是：「當房間著火的時候，我們的 AI 可以走出完美的一步棋。」當前的 AI 算法連脈絡覺知都沒有，更別說更深層的覺知了，而且這已經是 50 年之後了。我們還有很長的路要走。

作為科學工作者，我們都不可避免地開始思考一個問題：是否存在一種更高級的科學，或者一個統一的框架來研究智能？我們今天討論了 NI 和 AI 之間的鴻溝，討論了縮小這個鴻溝的延續統。但也許最終會有一種統一的科學，或者說類似牛頓定律、廣義相對論的定理。您是否預見或推測到了這一點？

Newsome：我覺得我的智慧還不足以讓我看那麼遠，飛飛。我認為這是值得稱讚的。我喜歡統一和連貫，我喜歡物理實體其實本質上是一回事的觀點。

關於意識，我的確有所疑惑，我不知道我們的第三人稱科學能否解決這些疑惑。但就智能、通用智能、靈活智能、脈絡敏感性而言，我認為我們應該可以解決。我覺得 Chalmers 會說，「那是大腦功能或知覺的簡單問題的一部分。」我覺得我們應該能夠得到一些通用的原則。

我認為，在將 AI 系統放到機器人中，使其在這個世界上幸存下來之前，我們可能無法達成上述目標。只有到那個時候，機器人才會關心房間是不是著火了。

李飛飛：我想重復一下你的觀點，因為你多次提到你相信「physical body」，我完全同意這一點。你讓我想起了笛卡爾的名言「我思故我在」，它除去了「physical body」。但僅從進化和當前的 AI、機器人、機器學習來看，我也認為智能體的嵌入「embodiedness」非常關鍵，至少在人類智能的發展中，而且將在人工智慧中變得越來越重要，所以我同意你的觀點。

但我還是希望吳蔡研究所或 HAI（或二者一起）能夠迎來新一代的科學家，他們能夠帶給我們一個關於智能的統一定理，將智能領域的這些問題統一起來，你認為呢？

Newsome：你的想法非常有趣，飛飛。但我現在還沒有那麼大的野心。僅僅想一下大腦計算，處理、抽取、組織資訊，做出決策，記憶，學習的基本原則，我就覺得大腦有沒有一套統一的原則還不好說。我認為不同的大腦結構有著非常、非常不同的架構。大腦皮層與基底神經節、基底神經節與脊髓、脊髓與海馬體都有很大的不同，而它們和小腦又有很大的不同。我認為計算原理——盡管它們都與動作電位、神經遞質、神經調節有關——有一些像這樣的東西，可能在整個大腦中普遍存在。

但是在那些不同結構的神經元中，計算的原則和實例化的算法可能是不一樣的。也許我們會有一套關於小腦的理論，一套關於大腦皮層的理論。我不知道哺乳動物的大腦是否存在一套統一的理論。可能最後會有一系列的理論，然後你就有了相應的理論來解釋那些電路是如何相互作用或者產生行為的。

但我認為其中還有很大的發展空間，有很多新的數據正在被獲取，我對此持樂觀態度。我認為現在是做神經科學研究的大好時機。很明顯，這也是一個從事人工智慧研究的大好時機。我希望這兩個領域能夠在某種意義上真正融合。

原文鏈接：https://hai.stanford.edu/blog/what-computations-role-neuroscience?sf132574832=1

2020 NeurIPS MeetUp

轉載請聯繫本公眾號獲得授權