在一项开创性的研究中，剑桥科学家采用了一种新颖的人工智能方法，展示了物理约束如何深刻影响AI系统的发展。
这项研究类似于人脑的发育和运作约束，提供了对复杂神经系统演化的新见解。通过整合这些约束，AI不仅反映了人类智能的某些方面，还揭示了资源消耗和信息处理效率之间的精妙平衡。
AI中物理约束的概念
人脑作为自然神经网络的典范，在各种物理和生物约束下进化和运作。这些限制不是阻碍，而是塑造其结构和功能的工具。
剑桥大学医学研究委员会认知与脑科学研究中心的盖茨学者雅斯卡·阿赫特伯格说：“人脑不仅擅长解决复杂问题，同时使用非常少的能量。在我们的新研究中，我们展示了考虑到大脑在尽可能少耗费资源的目标的问题解决能力，可以帮助我们理解为什么大脑会呈现现在的样子。”
实验及其意义
剑桥团队开始了一项雄心勃勃的项目，创建一个模拟大脑高度简化版本的人工系统。该系统在应用“物理”约束方面与人脑相似。
系统中的每个计算节点被分配一个虚拟空间中的特定位置，仿真了神经元的空间组织。两个节点之间的距离越大，它们之间的通信就越具挑战性，仿照人脑中的神经组织。
然后，这个虚拟大脑被赋予了在迷宫中导航的任务，这是在大脑研究中经常给予动物的迷宫导航任务的极简版本。这个任务的重要性在于它要求系统集成多个信息片段，比如起点和终点位置，以及中间步骤，以找到最短的路径。这个任务不仅测试了系统的问题解决能力，还可以观察到不同节点和聚类在任务的各个阶段如何变得关键。
AI系统中的学习和适应
人工系统从迷宫导航的初学者到专家的过程证明了人工智能的适应能力。最初，系统像人类学习新技能一样，在任务中遇到困难，犯了很多错误。然而，通过试错和随后的反馈，系统逐渐改进了自己的方法。
至关重要的是，这种学习是通过调整计算节点之间连接的强度来实现的，类似于人脑中观察到的突触可塑性。特别有趣的是，物理约束如何影响这个学习过程。在建立远距离节点之间的连接的困难意味着系统必须找到更高效、局部化的解决方案，从而模仿生物大脑的能量和资源效率。
人工系统中的新特征
随着系统的演化，它开始表现出与人脑惊人相似的特征。其中一个发展是形成了枢纽 – 高度连接的节点，在网络中充当信息传递通道，类似于人脑中的神经枢纽。
然而，更有趣的是个别节点处理信息的方式发生了变化。节点不再是负责迷宫的特定方面的刚性编码，而是采取灵活的编码方案。这意味着单个节点可以在不同的时间代表迷宫的多个方面，这个特征让人联想到复杂有机体的神经元的适应性。
剑桥大学精神病学系的邓肯·阿斯尔教授强调了这一方面，他说：“这个简单的约束 – 在远离的节点之间建立连接更困难 – 迫使人工系统产生一些相当复杂的特征。有趣的是，这些特征与生物系统（如人脑）共享。”
更广泛的意义
这项研究的意义远远超出了人工智能的领域，而是进入了对人类认知本身的理解。通过在人工智能系统中复制人脑的约束，研究人员可以获得对这些约束如何塑造大脑组织并对个体认知差异做出贡献的宝贵见解。
这种方法为揭示大脑的复杂性提供了独特的视角，尤其是在理解影响认知和心理健康的疾病方面。剑桥大学医学研究委员会的约翰·邓肯教授补充道：“这些人工大脑为我们解读真实大脑中真实神经元活动时所见到的丰富且困惑的数据提供了一种方法。”
人工智能设计的未来
这项开创性的研究对于未来人工智能系统的设计具有重要意义。该研究生动地展示了如何将生物学原理，尤其是与物理限制有关的原理，纳入到更高效和适应性更强的人工神经网络中。
MRC CBSU的Danyal Akarca博士强调指出：“人工智能研究人员一直在努力寻求如何制造编码和执行方式灵活高效的复杂神经系统。为了实现这一目标，我们认为神经生物学将为我们提供很多启示。”
Jascha Achterberg进一步阐述了这些发现在构建几乎模拟人类问题解决能力的人工智能系统方面的潜力。他认为，处理与人类面临相似挑战的人工智能系统很可能会演化出类似于人脑的结构，尤其是在能量限制等物理约束下运行时。“在真实物理世界中部署的机器人大脑可能会更像我们的大脑，因为它们可能面临与我们相同的挑战，”Achterberg解释道。
剑桥团队进行的这项研究在理解人类神经系统与人工智能之间的相似之处方面迈出了重要一步。通过对人工智能系统施加物理约束，他们不仅复制了人脑的关键特征，而且为设计更高效和适应性更强的人工智能开辟了新的途径。