人工智能与认知神经科学

相较于其它新兴科技，人工智能成为一个独立学术研究领域的时间起的很早，迄今已逾一甲子。目前涵盖的应用领域包括自然语言、策略游戏、自驾车、内容传递网络的智能路径、军事模拟和复杂数据的诠释。刚开过的Semicon Taiwan 2017中AI与IoT论坛的焦点在自驾车芯片－边缘端(edge)人工智能，这是台湾在人工智能领域较容易切入的领域。对台湾而言，牵涉到的演算法基础研究较少，入门门槛不高；应用定义狭窄、明确，容易达标；边缘端数量庞大，市场自然也大；而芯片的设计与制造本是台湾优而为之的拿手好戏。

人工智能过去研究的发展起起伏伏，经历了几次成果与投入经费的寒冬。一直到2015年，计划项目才呈爆发性的成长。能达到目前的成果电子业倾向于将之归诸于三个因素：计算能力的提升、巨量的储存以及快速的网络。这个方向的进步是电子产业行内人容易见到的，然而还有其它重要支持因素。

人工智能有许多演算法，有些是比较成熟知识领域的应用，譬如贝氏(Bayesian)演算法是基于已完整建立的统计学知识；有些演算法其背景知识还尚在快速发展之中，譬如现在于许多应用领域迭放异彩的深度学习。深度学习的前身是类神经网络，与20世纪90年代由认知神经科学研究者提出的大脑皮层发育理论密切相关。深度学习目前所遭受的主要批评为它的理论是黑箱子，因而演算效率比较难系统性的改善，这是因为它的背景理论知识也算还在婴儿期的缘故。人的神经元(neuron)以及其间的连结－突触(synapse)与我们的记忆、学习、习惯之间的关系一直是这30年来《Scientific American》隔一阵子就要探讨的主题。

人工智能的目标多重，研究的策略是分而治之(divide and conquer)。个别项目包括推理与解题、知识表示(knowledge representation)、计划、学习、自然语言处理、感知、运动与控制、社交智能(social intelligence)、创造力、通用智能(general intelligence)等。其中创造力一项进展最迟缓，甚至关于人工智能创造力的定义、检验方法和人工智能能不能真正拥有创造力意见都还很分歧，主要原因是在认知神经科学领域中创造力原本就是一个艰难的题目。

幸好21世纪以后人类基因图谱、脑造影、脑机界面技术发展一日千里，这对于以模仿人脑运作方式为主的演算法提供理论背景知识的动力，有机会将黑箱拆解成有功能区块、个别元件的线路图。譬如最近的研究发现记忆与CERB蛋白质有密切的关系，时间上接近的两组事件在形成记忆的神经元重复较多，因而一个事件的记忆容易引发另一事件的记忆。现在的脑造影技术可以清楚的识别每个单一的神经元、突触以及它们的激发，上述记忆交互连结模式可以在脑造影技术下清楚呈现。这跟人工智能有什麽关系？联想是创造力的重要方式之一，这就可以用于建立人工智能创造力的模型建构。

对于人工智能以取得近似最佳解的策略，模拟人脑结构以打造演算法到目前为止看来是终南捷径，也还有随着其背后认知神经科学快速成长的空间。也难怪前几天深度学习先驱Geoffrey Hinton开始质疑深度学习中重要方法反向传递(back-propagating)时，虽然引起行内的震撼，却是意料之外、情理之中的事。