Category Archive for '神經生物'

Posted By Mr. Thursday 由匹茲堡大學 (University of Pittsburgh) 和卡內基美隆大學 (Carnegie Mellon University) 的研究團隊所做的研究,把電極插到猴子的頭腦裡面,接著用電腦分析讀取電極傳出來的大腦訊號,轉換成機械手臂移動的指令,猴子便能夠用「想」的,移動機械手臂來自行拿取食物來吃。讓我們先看一下 DEMO 的影片。 這個研究如果將來技術成熟之後,可以應用在一些癱瘓病人身上。他們大腦裡面負責運動的區域可能還是好的,但是運動的肢體像是手臂等等,可能已經無法使用,這個時候就可以用機械手臂來取代,並且透過電及和電腦分析,讓使用者可以用意念,來指揮機械手臂。 目前比較困難的是,研究人員發現插進大腦的電極 (electrode) 在幾個月之後就會無法使用,因此這部分還有待突破。然而大腦運動區域訊號的分析,則是已經有顯著進展,只要先有一小段訓練時間,電腦就可以慢慢了解猴子移動手臂往上、往下、往前、往後、往左、往右、開始、停等訊號。 此外,我個人的觀察是,首先,因為運動神經在腦幹 (brain stem) 的區域會左右交換,因此影片中猴子右手一邊在動,但是我猜他們放置電極的地方可能是左腦的運動區。其次,運動訊號主要就是從大腦的主要運動皮質 (primary motor cortex) 區域裡面,負責手臂運動的地方的訊號來分析。不過不知道如果加上小腦 (cerebellum) 的訊號,會不會讓效果更好?因為小腦主要就是對運動進行微調,負責無意識的運動調節學習 (adapt)。 大腦的運動區域對身體的分佈,可以參考大腦一日遊裡面的這一張圖的說明: 左邊是主要感覺區的分佈,右邊是主要運動區 (primary motor cortex) 的分佈,臉部無論是感覺或是運動,都佔了很大的比例,代表對臉部的感覺和運動很細膩,需要比較大的區域來處理或產生訊號。另外,皮質區 (cortex) 是有意識的資訊的處理,訊號離開大腦後,會延著腦幹,往脊隨 (spinal cord) 的方向傳遞,中間會經過小腦,也會隨著訊息的目的地在不同的地方左右互換,這部分滿複雜,可能要重新複習一下課本才會記得,有興趣的讀者在繼續深究這一部分吧!

Read Full Post »

Posted By Mr. Thursday 在本體論: 讓舉一反三變得可能裡面提到了機器在規則上面的學習,本體論 (ontology)是一件重要的事情,因為有了ontology,機器可以舉一反三,一件事情學習一次,可以以此類推到其他相同性質的事情上面,就如同我們第一堂數學課,學過了一顆蘋果加上一顆蘋果等於兩顆蘋果,考試的時候問一顆橘子加上一顆橘子等於幾顆橘子,我們知道是兩顆橘子,因為我們學到的是一個抽象後的規則: 1 + 1 = 2 ,不會因為蘋果換成橘子,就無法變通。 早期的人工智慧系統,是從邏輯出發,把外在的世界,轉換成一句一句的邏輯規則。或許我們會想問,為甚麼要用邏輯來表示外在世界呢?我們的大腦是用邏輯來處理事情嗎?首先,邏輯 (logic) 可以保證 sound and complete。甚麼又是 sound and complete呢?或許西方的法院裡面,證人作證之前,會先發誓說:I will tell the truth, the whole truth, nothing but the truth. (我會說實話,全部的真話,除了真話以外的都不說。) 因此 complete (完備) 就像是裡面所說的,「全部」的真話,不是部份的真話。sound (可靠) 就像是證人說的,「真話以外」都不說。因此我們如果使用邏輯內在表示法,來表示外在的真實世界,我們進行推理的時候,就不會推理出不會發生的事情。然而真實世界非常複雜,一滴雨滴從天上掉下來,中間溫度的變化,空氣摩擦力,地心引力,旁邊的雨滴,有許多的因素 (factor) 可以影響最後雨滴的位置。我們如果要用邏輯推理,前提的部分可能就要考慮所有可能的因素,才能保證我們用邏輯寫下來的規則,是真實的。 近代人工智慧系統,則是用機率表示法,加上統計對觀察資料的處理,來表示外在的世界。機率不會保證一個規則的sound and complete,但是會給這個規則一個機率值。如果機率值是0.7,代表說如果用了這個規則,100次裡面會有70次正確。或是說,如果有100次機會,70次用這個規則,會有最好的結果。再舉一個例子來說,今天我的手對著一把刀片揮下去,會被砍出一個傷口。我們就學一個規則:比手硬的東西,揮下去會受傷。但是一片硬的牆壁,手揮下去卻又沒有傷口,我們只好修改一下邏輯規則:比手硬,又尖尖的東西,揮下去會受傷。可是一堆沙堆出來一個刀片形狀,手揮下去,是沙堆破掉手沒有事情。因此對於邏輯系統來說,總是會一直出現「例外」,前提必須要不斷修改,才能保證整個規則的真實性。機率表示法來說,就是把例外當成可能發生的事情,「比手硬的東西,揮下去會受傷」的機率是0.8等等,剩下0.2的機率就是那些例外。不過機率也不全然是隨便給定,沒有真實的參考價值,也是要滿足一些基本條件,像是所有事件的機率加起來等於1等限制,因此可以證明如果照著算出來的機率值來行動,可以得到最好的期望值。 但是,除了邏輯和機率這兩種內在表示法,是否就沒有其他表示法,可以保證推理結果的真實性,又能夠處理真實世界複雜的各種因果關係,讓我們繼續活下去呢?或是說,怎樣子讓電腦計算機,可以像人類一樣,舉一反三,能夠化整為零,察覺到最細微的關鍵變化,又能夠「見樹又見林」,知道各個部分之間的關聯性,對整個全局 (big picture) 能夠有所了解呢?在這邊我想提出一個想法,就是「化整為零」。

Read Full Post »

Posted By Mr. Thursday 我們的大腦複雜無比,裡面的神經網路錯綜複雜,也因此讓我們能夠表現智慧的行為。現今一些人工智慧 (AI: Artificial Intelligence) 的問題,或許可以透過參考人腦的神經網路,來設計一個可以處理視覺、聽覺、文字等資訊的人工智慧系統。除此之外,如果還能夠像人類一樣,能夠自我調整、自我學習,儘量減少人類對系統直接的調整,是最好的了。然而人腦的神經網路,又是如何自我學習、自我調整呢?今天就先和各位分享神經網路調整的兩種方法:海扁學習和STDP,並且另外介紹神經網路同步化 (synchronized)和同多步 (polychrnous)的模型,進一步探討可能的神經網路模式,或許對人工智慧自我學習的方法上,也能提供一些參考! Hebbian Learning Donald O. Hebb (1904 – 1985) 是一位神經心理學家 (圖1 Donald O. Hebb),他對神經網路最重要的一個貢獻,就是 Hebbian Learning ,在這邊我就暫且先翻譯成 海扁學習法。甚麼是海扁學習法呢?海扁學習是在學習甚麼東西呢?首先,讓我們先回憶一下,我們的大腦裡面,是由許許多多的神經元 (neuron) 所組成,神經元和神經元之間,有著連結,叫做神經鍵結 (synapse)。神經元和神經鍵結整個形成一個網路,可以讓神經訊號到處傳遞,就稱為一個神經網路 (neural network)。 我們外在的行為,就是因為神經網路接受了刺激,處理之後產生了反應。然而從刺激到反應之間訊號如何被處理、被轉換,讓我們的行為表現出有智慧的樣子呢?這就牽涉到神經元之間的連結了,因為某些神經元之間連結弱一點,某些神經元之間的連結強一點,我們就可以針對不同的刺激,產生不同的反應,進而表現出智慧的行為。如果我們再縮小範圍來看整個網路裡面的某兩個神經元,接著我們就要問,這兩個神經元之間的連結強度,要怎樣子變強變弱呢?Hebb就針對這個部分提出他的假設,後來也經由許多實驗資料證實,成為海扁學習法了。

Read Full Post »

Posted By Mr. Thursday 各位經過理髮店的時候,或許都會注意到理髮店有一個捲軸,捲軸不停旋轉,但是看起來會像是有一圈圈的條紋往上移動。今天要和各位介紹的是另外一個類似的錯覺,叫做「孔徑問題」 (Aperture Problem)。 圖1 理髮店捲軸錯覺 何謂孔徑問題呢?我們可以先看看下面這個動畫: 圖2 孔徑問題 (Aperture Problem) 我們可以看到,中間有一個圓圈,我們透過這個圓圈,會看到有斜線,沿者「右下」的方向移動。然而如果要造成這種視覺效果,卻有三種可能。第一種可能是一個「橫向」的紙條,往「正右方」拉動,但是紙條上面有「斜線條紋」,因此透過孔徑來看的時候,會有錯覺。第二種可能是一個「直向」的紙條,往「正下方」移動,但是因為紙條上面有「斜線條紋」,因此透過孔徑來看的時候,還是感覺往右下方移動。第三種可能是一張紙條,上面有著「直線條紋」,但是往「右下方」移動,因此透過孔徑觀看的時候,會和前面兩個看到的移動方向一樣。 因此雖然三張紙條「移動方向」不同,甚至紙條上面「條紋的方向」也不盡相同,但是透過孔徑來觀察的時候,卻都會有條紋移動方向相同的錯覺。這就是「區域 (local)」 和「 全域 (global)」 視覺處理的差別。我們的視覺系統區域上 (locally) 可以有孔徑問題的錯覺,但是當我們觀察的範圍是全域 (globally)的時候,卻又分析的出來三張紙條不同的移動方向。我們的視覺系統怎樣子達成這樣子的功能呢?

Read Full Post »

Posted By Mr. Thursday 不知道各位是否看過第一次使用留聲機把聲音錄下來的影片呢?留聲機的發明讓我們可以用聲音的形式保存歷史,但也同時開啟了內容複製的時代。不過最近一項新的發明,是讓我們不用開口、不用出聲,就可以講話的一項發明,是由Michael Callahan (co-funder of Ambient Corporation) 所發明。這項裝置名稱為 Audeo,在人的脖子上面裝一條線圈,接收由喉嚨聲帶附近的神經細胞發出的訊號,透過無線傳輸傳回電腦,電腦分析出使用者想要講的字以後,再用語音合成的方式放送出來。讓我們趕快來看實際DEMO的影片吧!   目前這個裝置只能辨識150個單字,之後還會再繼續改善。這個發明對一般使用者來說,可以讓他們在公共場合講電話的時候,可以保密地傳送要講的話到電話的另外一端,譬如說密碼等資訊。對於病人來說,可以在運動神經有損傷的病人像是ALS病人,讓他們恢復基本說話發聲的功能,至少可以在生活功能上有基本的溝通,像是回答YES/NO等等。此外在這個裝置之前,也有人發明無聲控制輪椅行動,也是類似的想法,各位不妨看看下面的DEMO。

Read Full Post »

Posted by Mr. Valentine’s Day 曾經讀過一個哲學假設,稱作「桶中之腦」(Brain in a vat)。這個假設是這樣的,人類的腦究竟在作些什麼呢?其實就像 CPU 一樣,單純地接受外界訊息 input 而進行決策,也許這處理的過程是複雜了點,但本質上就是如此。而所謂的外界訊息又是什麼呢?經過人腦處理之後的 output 又如何傳達給外界(主要是我們的肉身)呢?一般認為,無論是 input 或是 output,都是透過神經衝動來傳達。而神經衝動又是什麼?其實就是電位差嘛! 如果以上的唯物觀點都成立的話,其實我們可以建立一個裝置。這個裝置模擬世界上的萬事萬物,或者,至少你身邊的那些:比方說,你現時點能夠看到的這台螢幕的長相啦,手上滑鼠鍵盤的觸感啦,隔壁同事今天香水的味道啦,通通依照所謂自然法則運算出來,再把這些訊號都直接 input 到你的腦袋裡面。所謂肉身存有的感覺,自然也可以模擬出來,並且接受人腦以電訊號所傳送的 output 並依令行事。 我們姑且不論為什麼一台電腦可以有如此強大的運算能力(寫過 game 的就知道,光模擬一些顯而易見的自然法則就吃掉一狗票資源,更遑論「完全」模擬),又為什麼這 program 如此的 robust 以致於你這有所知覺的二三十年間好像都不曾發現有什麼 bug(更不用說當機重開機等等了),如果真有這樣這樣一台電腦,所模擬出來的世界,與所謂的「真實世界」,理論上是可以並無二致的。 所以,如果真要說你長得像下圖這樣,一顆腦袋泡在維生液中,連到電腦,其實還真難反證呢。書本、電視、網路、朋友、師長、父母,一切的知識與情報的來源都是所謂「外在經驗」,而當這「外在經驗」本身很有可能是人工的,我們還剩下什麼論點可以作為反駁之用?

Read Full Post »

Posted By Mr. Thursday 學習非常地重要,學習讓我們可以從不會一件事情、不知道一件事情,變成學會一件事情、知道一件事情。如果我們從小是講中文,但是經過幾堂課的學習,我們可以學會英文;再經過幾堂課學習,我們可能學會日文;再經過幾堂課學習,我們可以學會更多語言。其他領域的知識,我們只要肯學習,都可以慢慢學會,即使有所謂的學習的黃金年齡,但是活到老學到老,就算是學的慢,也是比完全沒有學習來得好!今天要和各位分享的主題,就是學習的三個重要元素:習慣學習、敏感化學習、以及制約學習。    首先我們先來定義一下學習這個問題。學習可能有很多種定義,不過在這邊為了說明方便起見,我把學習定義成「刺激–反應」配對的問題,也就是說,圖裡面中間打問號的長方形,就是代表一個具有學習功能的人、動物、或是機器。這個有學習功能的物體,會在接收到某些「刺激」的時候,產生一些「反應」。隨著時間變化,中間這個物體,還可以把新的「刺激」對應到新的「反應」,譬如說看到英文字(刺激),可以唸出來並且了解字的意思(反應)。這種隨著時間來改變「刺激–反應」對應的能力,我就稱之為「學習」的能力!

Read Full Post »