S70301-NA

S70301-NA
S70301-NA

如果这样来看脑科学与类脑算法研究的关系，我们可能会发现很多可供借鉴的基本规律。下面简单分析几个例子。*是我们可以向脑学如何更好地实现算法设计的模块化。模块化设计早已被计算机科学所采用。在这样的设计中，问题的解决分成几个固定的部分（子问题），每一个计算模块（子程序）只负责处理其中的一个。这一设计的优势在于能使算法设计大大简化，易于调试，易于修改，可以逐步完善并增加功能。更重要的是，因为表面上看起来不一样的问题往往能分解成相似的子问题，这使得模块可以重复利用，大大提高了效率并使得高度简并的系统能够胜任复杂多样的任务[7]。模块化设计的优势显而易见，但面对一系列具体问题，应该如何*有效率地划分子问题，这本身是一个困难的任务。而这可能是我们能够向大脑学的重要知识。真实的大脑是模块化设计的一个范例，每个脑区或亚区负责一个信息处理的环节或方面，而具体的模块划分是经过漫长自然选择加以优化的结果，已经适应了高效处理真实世界的实际问题。深度神经网络借鉴的对于视觉信息的多层、分步处理结构，某种意义上就是大脑模块化设计的一个方面。另外近期的一项研究显示，仅仅初步借鉴了非常粗略的脑功能模块划分（包括一系列视觉区域，一个记忆区域，一个决策区域以及一系列运动控制区域等），就能使得一个相对简单的系统胜任多种不同的任务   而AlphaGo 存在一个围棋盘面的估值网络和一个独立的走棋网络（虽然我们还不知道这是否是有意的类脑的设计，但这在原理上可能是类脑的划分），也说明了合适的模块化设计可能是其*的一个重要因素。这些结果令人鼓舞，但我们对于大脑模块化设计的借鉴也许才刚刚开始。现在神经科学的研究正在为我们给出非常详尽的，包含数百个亚区的有关人脑的模块化分区图谱，包括每一个模块和其他模块之间的信息传递通路（图3）[9]。可以预见，这将对类脑信息处理算法的设计提供关键的启示。比如对于语言区的精细亚区划分及其功能的阐明，就可能对于语言处理算法的模块化设计提供有益的借鉴。有关类脑算法设计的第二个例子是我们可以向大脑学如何调节网络的状态，从而灵活调控信息处理过程，使得系统能够适应不同的功能需求。