自动机与神经网络解析未来智能趋势

智能的双轨与机器的未来

人类智能的运作方式，大致可以归纳为两条主要路径：其一为归纳主义，即从大量具体经验中提炼出普遍规律；其二为逻辑演绎，基于公理系统进行符号推理。耐人寻味的是，这两条路径恰好对应了人工智能研究中的两大流派——联结主义与符号主义。当我们处理视觉信号、听觉信号等底层信息时，几乎是在无意识、直觉的状态下完成的，这正是大脑皮层神经网络所擅长的领域。而数学公式的推导、定理的证明，则伴随着强烈的主观意识和清晰的形式逻辑，依赖的是基于公理体系的符号演绎过程。

时间回溯到1931年，天才数学家图灵提出了著名的图灵机模型，这一模型为人工智能奠定了坚实的理论基础。1942年，麦克洛克和皮茨又提出了人工神经网络模型，至今仍被视为所有深度学习模型的鼻祖。神经网络代表了一类擅长并行计算的复杂系统，而图灵机则代表了另一类以串行方式计算的系统。有趣的是，计算机之父冯·诺伊曼早已指出，图灵机与神经元在本质上彼此等价——既可以用图灵机来模拟神经元，也可以用神经元来模拟图灵机。二者均具备图灵完备性。

(带有两个隐层的人工神经网络)

人工神经网络是一种借鉴生物神经系统结构的计算模型，由大量的人工神经元以及神经元之间的突触连接组成。它对输入信号进行层级化加工，将最初的原始信号逐步提炼出特征，再对特征进行组合学习。近年来，随着算力的指数级提升和海量数据的积累，基于神经网络的人工智能技术取得了前所未有的突破。在图像识别领域，最先进的深度学习模型在某些模式识别任务上已经超越了人类水平；利用深度对抗网络生成的图片，甚至可以达到以假乱真的效果。而在自然语言处理中，基于自注意力机制的Transformer模型，更是将机器翻译、文本生成等任务推向了新的高度。另一方面，神经网络的生物学基础也得到了越来越多研究的支持。有研究表明，基于卷积的神经网络，其工作原理与视觉神经系统高度相似；另一些脑科学研究则揭示，大脑对视觉和听觉等信号的处理方式其实是通用的。这无疑充分说明了以神经网络为框架的人工智能路线是行之有效的。

不过，尽管深度学习取得了巨大进步，当前的神经网络也面临着严峻的挑战，甚至可以说已经走到了发展的瓶颈期。截至目前，还没有一个准确且统一的数学模型能够完全解释神经网络的工作原理。缺乏理论框架，导致研究缺乏明确的方向性，进展逐渐放缓。如今，不少研究都集中在寻找更合适的超参数，或是通过组合不同类型的神经网络来换取微小的精度提升。更值得深思的是，今年何凯明团队实验并发表了一篇论文：即使使用随机连接构成的神经网络，也能有效工作，甚至取得的结果超过了某些经过精心设计的网络结构。无独有偶，谷歌大脑也在今年提出了不需要学习权重的神经网络。这两篇论文都指向同一个信号：必须寻找可解释的神经网络理论。

如果说神经网络是直觉派的代表，那么自动机就是逻辑派的典型。自动机是一种可以用数学模型描述的抽象计算器，广义上讲，无论是人工神经网络还是图灵机，都属于自动机理论的范畴。用严谨的数学语言描述的话，一般的有限状态定向自动机被定义为一个五元组（Q, A, G, S, F）。其中，Q 代表自动机状态的集合，A 是自动机可以接受的符号集合，G 是一组状态转换函数，定义了自动机在接收到特定符号时如何从当前状态跳转到下一个状态，S 是初始状态的集合，F 是最终状态的集合。给定输入后，自动机会根据当前状态与状态转移函数自动进行计算。通过设计不同的状态和状态转换函数，就可以模拟不同的系统。

(具有8个状态的有限自动机)

自动机的背后有严格的数学和逻辑理论作为支撑。早在上世纪，学者们就开始尝试设计各种不同的自动机模型来模拟智能，结果令人惊叹。计算机之父冯·诺伊曼在40年代左右设计了元胞自动机模型。元胞自动机由一群简单的小型自动机构成，每个自动机只有非常少的状态和简单的转换函数，其特别之处在于，每个小型自动机更新状态时，会受到其邻居状态的影响。也就是说，只要定义了自动机的更新规则，整个系统就可以不依靠外部力量，自行完成演化。

元胞自动机系统的动力学演化背后，隐藏的信息量极其巨大。基于不同规则的元胞自动机，展现出的行为也多种多样。冯·诺伊曼之后的研究进一步揭示，元胞自动机能表示的系统远超我们的想象。Langton 设计了一种可以通过改变一个全局参数来影响系统行为的元胞自动机。当参数过小时，系统行为非常简单；参数过大，又容易进入混沌状态。Langton 发现，当参数位于某个临界值附近时，元胞自动机的演化会处于所谓的“混沌边缘”——此时系统展现出高度复杂但又有序可循的模式，呈现出一奇妙的“自组织临界”状态。今年，来自巴西的物理学家通过分析多种动物的大脑，也找到了大脑处于这种临界状态的新证据。这从另一个角度间接证明了元胞自动机可以模拟复杂的智力系统。

(元胞自动机状态转换规则示例)

(基于不同状态转换函数的元胞自动机演化结果)

(处在“混沌边缘”的元胞自动机)

上世纪50年代，前苏联数学家 Tsetlin 提出了可进行学习的自动机。这种自动机可以从学习数据中改变自身状态转换函数的概率，从而实现对数据的学习，并使用自身的状态来编码信息。与神经网络不同，这种自动机天然具有对数据进行时序编码的特性，且具备良好的可解释性。

(Tsetlin学习自动机，其包含2N个状态与两个动作：惩罚与奖励，通过设计状态转移函数调节两个动作的行动概率，以此实现自Tsetlin提出学习自动机之后)

随着时间的推移，人们逐渐意识到，将传统自动机与概率论结合起来组成的学习自动机，也可以对智能系统进行模拟。如今，人工智能领域的主流期刊上，越来越多使用可学习自动机进行智能任务的论文出现，结果令人惊讶。来自挪威阿格德尔大学的学者提出了一种基于Tsetlin学习自动机并结合布尔逻辑的新型智能模型。该模型由简单的Tsetlin学习自动机集群组成，使用布尔函数进行特征表达。其训练速度和内存占用率，仅仅是当前神经网络的数百分之一。

自动机与传统神经网络的结合，很可能成为未来智能发展的趋势。自动机是形式语言的数学模型，任何计算定理的证明或逻辑推理都可以用自动机来描述。而当下神经网络在逻辑推理任务上的表现并不理想——逻辑推理往往需要构建清晰的规则和推理链，而这恰恰是自动机所擅长的领域。今年，有团队尝试用自动机来指导强化学习，将强化学习的子任务建模为自动机的状态，并结合时序逻辑来建模子任务的相关性和完成顺序，以此规则来指导学习过程。不仅如此，来自马里博尔大学的研究者在今年12月发表了最新论文：通过使用元胞自动机，可以将不同种类的分类器组合成多重分类器（MCS）。经过适当规则设计的元胞自动机，可以自主地将各种机器学习方法得出的不同分类器组合到MCS中，并通过自身强大的自组织能力，将特定的分类问题分配到对应的、可以解决该问题的分类器上。

综合来看，自动机与神经网络的结合展现出了巨大的潜力。一方面，自动机背后有严格的数学和逻辑理论支撑，具备良好的可解释性；另一方面，自动机对于逻辑推理的建模是天然的，而神经网络则擅长对数据特征的提取。将二者的优势结合起来，实质上就是联结主义与符号主义的一次深度融合。

1. 使用已发展的自动机理论来指导和解释当前人工神经网络与强化学习的模型搭建。自动机理论已经非常成熟，寻找它与神经网络理论的结合点，可以让神经网络的黑箱变得更加“白化”。目前，已有团队正在研究将自动机与强化学习、渗透测试相结合，利用自动机的逻辑推断能力，自动学习顶级渗透测试工程师的攻击路径和模式，以实现全天候的自动化渗透测试。

2. 发掘并设计更多的自动机架构，将它们融合到人工神经网络结构中。让两者各展所长：比如利用神经网络进行特征提取，利用自动机完成特征的组合与推断；或者利用自动机的内部状态等信息进行辅助编码，赋予神经网络更强大的时序与记忆功能。

3. 设计专门的自动机网络，以达到甚至取代当前神经网络的目的。当前神经网络有很多短板，比如可解释性差、执行效率不高等，这些问题都有可能通过自动机网络得到解决。当然，自动机网络本身也面临诸多挑战，比如底层理论还不够完善、训练方式需要探索等等。但可以确定的是，未来的人工智能体系中，自动机网络一定会有自己的一席之地。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：自动机与神经网络解析未来智能趋势要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题