近年來，人工智能推動(dòng)了高性能自動(dòng)學(xué)習(xí)技術(shù)的發(fā)展。但是，這些技術(shù)通常是基于逐個(gè)專項(xiàng)任務(wù)要求而應(yīng)用的，這意味著為某一專門任務(wù)訓(xùn)練的智能體在面對(duì)其它任務(wù)，甚至是非常相似的任務(wù)時(shí)，的執(zhí)行效果會(huì)很差。

盡管近年來人工智能領(lǐng)域取得了巨大進(jìn)步，但我們離人類智能還很遠(yuǎn)。當(dāng)前的人工智能技術(shù)允許訓(xùn)練計(jì)算機(jī)智能體可以專門有針性地對(duì)它們進(jìn)行人工訓(xùn)練，以更好地執(zhí)行某項(xiàng)特定任務(wù)。但是，一旦這些智能體處于與經(jīng)歷過的條件（甚至略有不同）的條件下時(shí)，它們的性能在訓(xùn)練中通常非常令人失望。

通過使用一生中獲得的技能，人類能夠非常有效地適應(yīng)新情況。例如，一個(gè)學(xué)會(huì)在客廳里走路的孩子也會(huì)很快學(xué)會(huì)在花園里走路。因?yàn)樗鶎W(xué)習(xí)得的走路的技能與大腦突觸的可塑性有關(guān)，突觸可塑性改變了神經(jīng)元之間的聯(lián)系，而在客廳學(xué)習(xí)到的行走技能與在花園中行走所需的快速適應(yīng)技能則與神經(jīng)調(diào)節(jié)過程相關(guān)。神經(jīng)調(diào)節(jié)通過化學(xué)神經(jīng)調(diào)節(jié)介質(zhì)調(diào)整神經(jīng)元本身的輸入-輸出特性。

模擬人腦神經(jīng)突觸的可塑性是當(dāng)今人工智能所有最新進(jìn)展的基礎(chǔ)。然而，到目前為止，還沒有科學(xué)研究成果提出將神經(jīng)調(diào)節(jié)機(jī)制引入到人工神經(jīng)網(wǎng)絡(luò)的方法。

為了攻克這個(gè)難題，一個(gè)由人工智能專家和神經(jīng)科學(xué)家組成的科學(xué)團(tuán)隊(duì)的研究人員，開發(fā)了一種基于人腦功能機(jī)制的新算法 ，稱為神經(jīng)調(diào)節(jié)算法。 這個(gè)新穎而卓越的算法可以創(chuàng)建能夠執(zhí)行訓(xùn)練期間未遇到的任務(wù)的智能體，使智能主體能夠自動(dòng)適應(yīng)未知情況。

在神經(jīng)科學(xué)中，神經(jīng)調(diào)節(jié) （Neuromodulation）指一種神經(jīng)傳導(dǎo)過程。在此過程中，一個(gè)特定神經(jīng)元使用一個(gè)或多個(gè)神經(jīng)傳導(dǎo)物質(zhì)來控制一系列神經(jīng)元。被一小群神經(jīng)元覆蓋住的神經(jīng)傳遞介質(zhì)會(huì)在神經(jīng)系統(tǒng)中大范圍地被釋放出來，進(jìn)而影響到許多的神經(jīng)元。在中樞神經(jīng)系統(tǒng)中，神經(jīng)傳遞介質(zhì)包括如多巴胺。神經(jīng)調(diào)節(jié)與傳統(tǒng)突觸傳導(dǎo)過程不同。傳統(tǒng)突觸傳導(dǎo)描述神經(jīng)傳導(dǎo)過程為一個(gè)突觸前神經(jīng)元直接影響另一個(gè)突觸后神經(jīng)元。

研究人員開發(fā)出了完全原始的人工神經(jīng)調(diào)節(jié)網(wǎng)絡(luò)體系結(jié)構(gòu)，引入了兩個(gè)子網(wǎng)之間的交互作用。第一個(gè)網(wǎng)絡(luò)考慮與要解決的任務(wù)有關(guān)的所有處境場(chǎng)合信息，并在此信息的基礎(chǔ)上以大腦化學(xué)神經(jīng)調(diào)節(jié)介質(zhì)的方式對(duì)第二個(gè)子網(wǎng)進(jìn)行神經(jīng)模塊化。由于神經(jīng)調(diào)節(jié)，第二個(gè)子網(wǎng)決定了智能體要執(zhí)行的動(dòng)作，因此可以非常迅速地適應(yīng)當(dāng)前任務(wù)，這使智能體可以有效地面對(duì)與解決新任務(wù)。

神經(jīng)調(diào)節(jié)由處理某些處境場(chǎng)合信息信號(hào)的神經(jīng)調(diào)節(jié)神經(jīng)網(wǎng)絡(luò)（上圖頂部）和塑造某些輸入輸出功能的主神經(jīng)網(wǎng)絡(luò)（上圖底部）的相互作用組成。下圖為神經(jīng)調(diào)節(jié)的激活函數(shù)σNMN的計(jì)算圖，其中ws和wb是分別控制激活函數(shù)σ的比例因子和偏移的參數(shù)，z是由神經(jīng)調(diào)節(jié)網(wǎng)絡(luò)計(jì)算的處境場(chǎng)合信息上下文（context）相關(guān)變量。

這種創(chuàng)新的架構(gòu)已經(jīng)成功地針對(duì)需要適應(yīng)環(huán)境的導(dǎo)航問題進(jìn)行了模擬測(cè)試。尤其是，訓(xùn)練有素的智能體，能夠適應(yīng)因風(fēng)向變化極大干擾其運(yùn)動(dòng)的情況下，自適應(yīng)避開障礙物朝目標(biāo)移動(dòng)。

論文作者之一、人工智能專家、達(dá)米恩·恩斯特（Damien Ernst）教授說：“這項(xiàng)研究的新穎性是，神經(jīng)科學(xué)領(lǐng)域所發(fā)現(xiàn)的認(rèn)知機(jī)理首次在多任務(wù)環(huán)境下發(fā)現(xiàn)了新的算法應(yīng)用。這項(xiàng)研究為利用人工智能更好地模擬人腦神經(jīng)調(diào)節(jié)功能機(jī)制的關(guān)鍵打開了新視野。”

責(zé)任編輯：ct