神经科学家解释了人工智能和人类学习之间的差异

最近开发的人工智能(AI)模型能够实现许多令人印象深刻的壮举，包括识别图像和产生类人语言。但仅仅因为人工智能可以执行类似人类的行为并不意味着它可以像人类一样思考或理解。

作为一名研究人类如何理解和推理世界的研究人员，我认为重要的是要强调人工智能系统“思考”和学习的方式与人类的行为方式有着根本的不同——在人工智能真正能够像这样思考之前，我们还有很长的路要走我们。

普遍的误解

人工智能的发展已经产生了可以执行非常类似于人类行为的系统。语言模型GPT-3可以生成通常与人类语音无法区分的文本。另一个模型，PaLM，可以解释它以前从未见过的笑话。

最近，一种被称为Gato的通用AI已经开发出来，它可以执行数百种任务，包括为图像添加字幕、回答问题、玩Atari视频游戏，甚至控制机械臂堆叠积木。DALL-E是一个经过培训的系统，可以根据文本描述生成修改后的图像和艺术品。

这些突破导致了一些关于这种人工智能能力的大胆主张，以及它可以告诉我们关于人类智能的什么。

例如，谷歌人工智能公司DeepMind的研究员NandodeFreitas认为，扩大现有模型将足以产生人类水平的人工智能。其他人也赞同这一观点。

在所有的兴奋中，很容易假设类似人类的行为意味着类似人类的理解。但人工智能与人类的思考和学习方式之间存在几个关键差异。

神经网络与人脑

最近的AI是由人工神经网络或简称为“神经网络”构建的。使用“神经”一词是因为这些网络受到人类大脑的启发，其中数十亿称为神经元的细胞形成了相互连接的复杂网络，在它们来回发射信号时处理信息。

神经网络是生物学的高度简化版本。一个真正的神经元被一个简单的节点代替，节点之间的连接强度由一个称为“权重”的数字表示。

通过将足够多的连接节点堆叠到足够多的层中，神经网络可以被训练来识别模式，甚至可以“概括”到与他们以前看到的相似(但不相同)的刺激。简单地说，泛化是指人工智能系统从特定数据中获取知识并将其应用于新数据的能力。

能够识别特征、识别模式并从结果中进行概括是神经网络成功的核心——并模仿人类用于此类任务的技术。然而，也有重要的区别。

神经网络通常通过“监督学习”进行训练。因此，他们会看到许多输入和所需输出的示例，然后逐渐调整连接权重，直到网络“学习”以产生所需的输出。

为了学习语言任务，神经网络可能会一次一个单词地呈现一个句子，然后慢慢地学习预测序列中的下一个单词。

这与人类通常的学习方式非常不同。大多数人类学习是“无监督的”，这意味着我们没有被明确告知对于给定刺激的“正确”反应是什么。我们必须自己解决这个问题。

例如，孩子们没有得到关于如何说话的指导，而是通过接触成人演讲、模仿和反馈的复杂过程来学习这一点。

另一个区别是用于训练人工智能的数据规模庞大。GPT-3模型训练了4000亿字，大部分来自互联网。以每分钟150个单词的速度，人类需要将近4000年才能阅读这么多文本。

这样的计算表明人类不可能像人工智能一样学习。我们必须更有效地利用更少量的数据。

神经网络可以以我们无法学习的方式学习

一个更根本的区别在于神经网络的学习方式。为了使刺激与期望的响应相匹配，神经网络使用一种称为“反向传播”的算法将错误向后传递到网络中，从而以正确的方式调整权重。

然而，神经科学家普遍认为，反向传播无法在大脑中实现，因为它需要的外部信号根本不存在。

一些研究人员提出大脑可以使用反向传播的变体，但到目前为止，还没有证据表明人类大脑可以使用这种学习方法。

相反，人类通过构建结构化的心理概念来学习，其中许多不同的属性和关联联系在一起。例如，我们对“香蕉”的概念包括它的形状、黄色、它是水果的知识、如何握住它等等。

据我们所知，人工智能系统不会形成这样的概念性知识。他们完全依赖于从训练数据中提取复杂的统计关联，然后将这些关联应用到类似的环境中。

正在努力构建结合不同类型输入(如图像和文本)的人工智能——但这是否足以让这些模型学习人类用来理解世界的相同类型的丰富心理表征还有待观察。

关于人类如何学习、理解和推理，我们还有很多不知道的地方。然而，我们所知道的表明人类执行这些任务的方式与人工智能系统非常不同。

因此，许多研究人员认为，在我们能够制造出真正像人类一样思考和学习的机器之前，我们需要新的方法，以及对人类大脑如何工作的更基本的了解。