KAIST 23日表示,生物与脑工程系教授李相完研究团队通过神经科学与人工智能的融合研究,成功揭示了人类解决问题过程中大脑处理信息的原理。
研究团队利用神经科学—人工智能融合研究,成功从理论和神经科学层面揭示了人类的问题解决过程。预计此次研究将大大提高把人类智能核心要素移植到人工智能算法中的可能性。
此次研究由李相完教授与博士生金东在、硕士生朴健英主导,并通过与美国加州理工学院(Caltech)的国际共同研究进行,成果发表于国际学术期刊《自然·通讯》(Nature Communications)12月16日网络版。
在不确定性和复杂度不断变化的情况下设定可实现的目标、制定计划并执行及修正策略的过程,是人类独有的问题解决能力之一。近来人工智能算法在多个领域已超越人类的任务执行能力,但仍未能就这种问题解决能力提出完美的解决方案。
人类的问题解决过程是目标设定—策略制定—执行—策略修正的反复过程,这是依赖状态的复杂时间函数。一般而言,人类的问题解决过程难以收集大量数据,且不确定性与复杂度高,难以用基于大数据的传统深度学习设计方式实现。
研究团队为解决该问题,利用“基于强化学习理论的实验设计”技术,同时改变问题解决目标、问题复杂度、情况变化的不确定性这三个变量,构建了与真实人类问题解决过程相似的情境。
在此基础上,研究团队根据获取的行为和脑影像数据,为寻找能够解释问题解决过程的数学模型,学习并比较分析了100多种元强化学习算法。这一过程被称为基于模型的脑成像分析技法。
研究团队为进行更严格的验证,采用了名为“精密行为剖析”的分析方法。利用该方法不仅可以得到外在行为与人类相似的模型,还能导出实际上以与人类相同原理解决问题的模型。
结果,研究团队实现了在问题的不确定性与复杂度以及情况变化中模拟人类学习与推理过程的元强化学习模型,并发现该模型的信息处理过程可以用额叶的一个部位——腹外侧前额叶皮质的神经激活模式来解释。
第一作者、博士生金东在表示:“严格验证各种假设的过程耗费了大量时间,但通过精密行为剖析方法论找到了再现真实人类行为原理的模型,这对今后向人工智能的移植也将有很大帮助。”
李相完教授表示:“如果说以往的研究方式是取下一块拼图去填补另一幅拼图的空位,那么此次研究可以比喻为学习解拼图的原理并将其应用于拼其他拼图。”他还说:“把人类独有智能的核心要素移植到人工智能算法的技术才刚刚起步,若该技术完成,最终将有望从工程学上分解智能、从科学上理解智能。”
研究团队计划在近期以韩国科学技术情报通信部的财源、在信息通信规划评价院支持下设立的KAIST神经科学—人工智能融合研究中心,利用这些基础技术开发模拟人类智能的下一代人工智能模型,同时通过与DeepMind、MIT、IBM AI研究所、剑桥大学等海外相关研究机构的国际共同研究提升技术影响力。






