本文经AI新媒体量子比特（公众号ID：QbitAI）授权转载，转载请联系出处。构建自动驾驶控制系统需要多少个神经元？MIT的科学家告诉你，至少有19个！方法是向线虫等基本生物学习。近日，来自奥地利理工大学维也纳工业大学麻省理工学院CSAIL的团队开发了一种基于蠕虫大脑的新型人工智能系统。研究成果发表在最新的《自然·机器智能》杂志上。他们发现具有19个控制神经元的单一算法，通过253个突触将32个封装的输入特征连接到输出，可以学习将高维输入映射到操作命令。这种新的人工智能系统使用少量人工神经元来控制车辆转向。而基于CNN和LSTM的神经网络构建同样的自动驾驶系统，网络结构要复杂得多。△为什么用CNN实现的车辆控制系统能做到这么少的神经元，论文合著者、MITCSAIL博士后RaminHasani解释道：与之前的深度学习模型相比，每个单元对信号的处理如下不同的数学原理。受秀丽隐杆线虫生物的启发，他们在2018年提出了神经回路策略(NCP)。NCP方法是重新利用生物神经回路模型的功能，以创建可解释的控制代理并管理虚拟和现实世界的强化学习(RL)测试台.该方法通过掌握其突触和神经元参数作为控制基本强化学习任务的策略，对线虫的TW神经回路进行建模，该回路主要负责线虫对外部机械触摸刺激的反射反应。为了测试这个新的数学模型，团队选择了一项特别重要的测试任务——让自动驾驶汽车保持在车道内。神经网络从摄像头接收道路图像并自动决定是左转还是右转。自动驾驶等复杂任务通常需要具有数百万个参数的深度学习模型。然而，使用NCP方法可以将网络大小减少两个数量级。而这套19个神经元的极简自动驾驶系统只用了7.5万个训练参数，参数数量减少了2个数量级。NCP方法构建的自动驾驶系统也需要CNN，但只是针对摄像头传入的视觉数据，并从中提取结构特征。它与车辆的实际转向无关。其背后的神经网络确定摄像机图像的哪些部分是重要的，然后将信号传递给网络的NCP控制系统。该系统的控制部分将感知系统的数据转化为转向命令，仅由19个神经元组成。这两个子系统堆叠在一起，并在波士顿地区人类驾驶汽车视频的训练数据集上同时进行训练，包括将图像与汽车转向操作相关联的数据。将它们一起输入网络，直到系统学会自动将图像与适当的转向连接起来，并能够自行处理新情况。除了结构简单之外，使用NCP设计的自动驾驶系统与传统模型相比还有两个优势：可解释性和鲁棒性。系统的可解释性使我们能够看到网络将注意力集中在哪里。正如您从视频中看到的那样，神经网络专注于图像的非常特定的部分，例如路边和地平线。研究人员表示，这种行为在人工智能系统中是独一无二的。此外，可解释性取决于每个神经元。我们还可以看到哪个神经元（视频中突出显示的部分）在驾驶决策中发挥作用。我们可以了解单个神经元的功能及其行为。为了测试与传统模型和NCP模型对比的稳健性，研究人员还对输入图像添加了扰动，并评估了智能体处理噪声的能力。因此，NCP对输入伪影表现出很强的抵抗力。除了可解释性和稳健性，NCP模型还有其他优势。比如减少训练时间，减少在相对简单的系统中实施AI的不确定性。RaminHasani博士还表示，NCP不仅可以应用于自动驾驶，其模仿学习的能力意味着更广泛的应用，例如仓库中的自动化机器人等。
