昆虫大脑完胜机器学习

生命体一直以来都是技术灵感的来源：鸟类仿生学帮助人类设计出首个飞行器，而带刺的种子则被 Velcro 魔术贴仿用。当前，仿生学正用于机器人和计算机视觉等各种尖端技术。

仿生学的另一个当代应用是人工智能 (AI)。通过AI，机器可拥有天然的认知功能，如学习和解决问题。人工神经网络 (ANNs) 进一步推动仿生学发展，受生物大脑的启发创造出计算系统。

模仿相对简单的生物大脑系统能有多智能？事实证明，由于生物的不断进化，即使是相对简单的生命体大脑在遇到事关生存的任务时，也会变得非常智慧。

 

 

对于蛾子来说，这意味着嗅觉。即使蛾子的大脑只有针头大小，却可高效地习得新气味。蛾子通过嗅觉捕食和求偶，这是关乎物种生存的两项关键任务。

华盛顿大学的研究人员根据蛾子的大脑结构开发出一种神经网络——MothNet。

“蛾子嗅觉网络是可以被学习的最简单生物神经系统之一。”

Charles B.Delahunt、Jeffrey Riffell和J. Nathan Kutz《可学习的生物机制：烟草天蛾嗅觉学习计算模型及其在神经网络中的应用》(Biological Mechanisms for Learning: A Computational Model of Olfactory Learning in the Manduca sexta Moth, with Applications to Neural Nets)

1. 小样本学习能力：昆虫大脑通常只需要少量的训练样本就能学会一项任务。相比之下，传统的机器学习算法可能需要大量的训练数据才能达到相同的性能。
2. 高效的信息处理：昆虫大脑能够快速地处理信息，并且在处理过程中能够有效地过滤掉不相关的信息。这种高效的信息处理能力使得昆虫能够快速地作出反应，适应环境的变化。
3. 强大的模式识别能力：昆虫大脑具有很强的模式识别能力，能够识别出复杂的模式和规律。这种能力使得昆虫能够准确地识别出食物、敌人或者配偶等关键信息。
4. 鲁棒性和适应性：昆虫大脑具有很好的鲁棒性和适应性，能够在不同的环境和条件下保持稳定的性能。相比之下，传统的机器学习算法可能会因为环境的改变或者数据分布的变化而出现性能的下降。

在某些特定的任务中，昆虫大脑确实具有超越传统机器学习的优势。然而，需要指出的是，传统的机器学习算法在处理大规模数据、复杂任务和多模态数据方面仍然具有很大的优势。因此，将昆虫大脑的优点与传统的机器学习算法相结合，有望开发出更加智能、高效的机器学习算法。

总的来说，昆虫大脑在某些方面具有独特的优势，这些优势为开发更加智能、高效的机器学习算法提供了新的思路和方法。然而，要充分利用这些优势并将其应用于实际问题中，还需要进一步的研究和探索。

《麻省理工科技评论》(MIT Technology Review) 中的文章“为什么蛾子的脑子比 AI 智能” 这样描述 MothNet 模仿的生物系统：“蛾子的嗅觉学习系统相对简单并且神经学家对它也比较了解。它由五个不同网络组成，可从依次向下一个系统传递信息。”

 

MothNet模拟蛾子的大脑结构进行设计。

图片来源：Delahunt andKutz。

不同于识别气味，研究人员利用监督式学习通过 15 到 20 张包含 0 到 9 数字的图片训练 ANN 识别手写数字。训练示例来自 NMIST（Modified National Institute of Standards and Technology）机器学习领域训练和测试中常用数字的数据库。以下是MNIST数据库中的部分示例：

 

MINST数据库示例。

图像来源：Wikipedia, CC4.0.

他们发现 MothNet 的学习速度比机器更快。仅仅通过几个培训示例，MothNet 便“习得”了数字识别，准确率高达 75% 到 85%。而一般卷积神经网络则需要几千个训练示例才能获得 99% 的准确率。

开发更好的机器学习算法

研究人员发现，以下三个特性使得蛾子的生物系统在学习时非常高效，这有助于开发新的机器学习算法：

1. 它会在每个步骤中过滤信息，并将最关键的信息传递到系统中的下一阶段，以实现快速学习。虽然 5 个不同网络中第 1 个网络的触角上拥有近 30,000 个接收器，但第二个网络只有 4,000 个单元。当信息到达系统的最后一个网络时，神经元的数量仅剩下几十个。

2. 过滤流程还可从信号中去除噪音。前两个网络之间的稀疏层可充当有效的噪音过滤器，保护下游神经元不受“触角”接收的噪音信号干扰。

3. 最后，脑部成功得到了“回报”，通过称为真蛸胺的化学神经传递素识别出气味，强化了神经线路的成功连接。活动连接针对分配的数字得到了强化，而其他连接则逐渐减弱。

 

绿色线高亮显示 MothNet（人工神经网络）中的通路，蓝色线是生物通路。

图像来源：Delahunt 和 Kutz。

研究人员在论文中称，“该结果显示，即使非常简单的生物结构也能带来适用于机器学习任务的新的有效算法，尤其是受少量训练样本限制的任务，或者添加没有完整训练的新类别的需求。”

最后，我想说的是，自学人工智能并不是一件难事。只要我们有一个正确的学习方法和学习态度，并且坚持不懈地学习下去，就一定能够掌握这个领域的知识和技术。让我们一起抓住机遇，迎接未来！