草根影響新視野 鍾藝 編譯
在我們看來，學會騎自行車並不是一件簡單的事情，它需要反覆的練習才能掌握。騎車時，身體的配合和大腦的反應是騎單車必不可少的關鍵元素，兩者的協同作用應該是一個很複雜的過程。但近日科學家發現，其實騎自行車並不需要用用太多腦，準確來說，兩個在神經網路上的神經元就可以保證我們順暢的完成騎車的全套動作。
蘇黎世神經信息學研究所的研究員馬修．庫克（Matthew Cook）在自己發表的報告中表示，構建用於解決特定問題的簡單「神經網路」可以幫助研究人員對大腦中的思維過程進行建模，服務於更智能的人工智慧開發。這裡提到的「神經網路」不涉及任何實際的神經元串聯，它們是計算機上的模擬節點或模型神經元的集群，它們可以通過加強和削弱彼此的連接而產生交互。這些網路即使沒有任何預先編入的信息也能是實現處理、理解和解決複雜問題。
當庫克建立了這個精簡的雙節點網路時，他發現，與人類操作或者複雜的專用演算法相比，這套雙節點網路在小型物理模擬器中顯得更加「有天賦」。
研究人員利用人、演算法、神經網路三種方式控制機器人完成騎自行車的動作，然後觀察自行車的速度、方向、以為偏移程度。
首先，是利用演算法。演算法的屬性決定了它需要通過研究每一個可能的舉措所帶來的每一個可能的結果，在「假設」的條件下一步一步地選擇一步「移動」。但出人意料的是，看似很保險的方法在實際應用中，其實也有較高偏差率。庫克在文中舉例：當被告知要保持直行時，演算法控制下的機器人會專注於「直」這個概念，若單車發生偏移，演算法會轉而糾正方向的問題，而不會再移動前進。除此以外，演算法在現實世界中的應用也較為困難，因為很多條件的限制，它並不能很好地預測未來並做出正確的判斷。
下一個，人來進行操控。雖然人在現實生活中會騎自行車人可以很簡單的執行這個騎行這個動作，但是要控制其他物體來完成，由於沒有自身身體的感知，這個任務比預期難很多，也更複雜。庫克寫道：「我甚至一開始以為模擬器中一定有一個bug，因為向右轉時，我發現我必須把手柄推到左邊。」雖然最後庫克和其他的研究人員都學會了如何操作，但是學習和摸索的時間太長。
相比於上述兩種方式，神經網路就體現出了絕對的優勢。神經網路中的第一個神經元可以感知自行車的周圍環境以及指示自行車的位置。同時，這個神經元也決定了自行車如何傾斜和向哪個方向傾斜。然後，第一個神經元將這些信息發送給網路中的第二個神經元，由第二個神經元直接控制自行車。這個看似很簡單的雙神經元系統能很快完成任務，並計算出了讓自行車在被告知要去的地方時所需要的參數。
在科學界，人們一直很好奇神經世界的奧秘——我們的大腦是如何應對外部世界的變化的。庫克的這一項發現可以幫助研究人員對大腦的思維過程進行模擬，更好的服務於人工智慧的開發和發展。
延伸閱讀：
Reference :
Polygon recent comments