大腦、小腦與運動控制原理

發現一個寫得還不錯的關于運動控制的教學文章,翻譯給大家。

原文地址: http://thebrain.mcgill.ca/flash/d/d_06/d_06_cr/d_06_cr_mou/d_06_cr_mou.html#4

運動皮層

人體的自主運動都是由大腦控制的。控制自主運動的大腦區域稱作運動皮層。運動皮層位于額葉后部,中央溝回(額葉和頂葉的分界線)之前。運動皮層主要分為兩個區域,4區和6區,也成為初級運動皮層,沿著中央溝回形成一條窄帶。6區位于4區的正前方。6區更寬,進一步細分為兩個亞區。為了能夠執行目標導向的運動,運動皮層需要接收來自各葉的各種信息,包括:來自頂葉的身體空間位置信息;來自額葉前部的關于達成目標而采用的恰當策略信息;來自顳葉關于歷史策略的記憶信息;

d_06_cr_mou_1a

圖1. 區域劃分

d_06_cr_mou_1b

圖2. 身體映像

Read more

小議動態神經網絡

深度學習的發展很快將到達一個瓶頸期,因為從更高的維度來看,從開始到現在我們對待時間問題的處理方式都可能存在的方向上的錯誤,雖然RNN相關的技術在時序相關問題上取得了不錯的成果,但應用范圍依然有限。

那么,問題到底出現在哪里?在下獻一拙思。

梳理生物等級鏈的智能演化,大家可以發現,對于時間性問題的處理,是神經網絡在誕生之初就最先具備的,而我們的人工神經網絡恰恰是從誕生到現在都不具備的,舉個例子,對視頻進行實時的物體識別、定位與標注是怎樣做的?利用訓練好的深度神經網絡對當下選取的一幀進行計算,算出的向量用于展示,再選取一幀重復計算,整個流程是由人類算法控制的,網絡的計算呈現的是時間無關性,亦即就像時間靜止時網絡做了一件工作,再推動時間向前一步,再靜止工作一樣,我稱之為靜態識別網絡,進而可以理解如果是動態識別網絡,那就像生物學神經網絡那樣,信息流源源不斷地流入,計算在每個局部都在發生,結果在時間流上持續出現。顯然,我們現在已知的網絡都沒有走這條路,這其中可能有計算量的問題,也可能有理論上刻意的選擇,但我的見解是動態網絡才是智能進階的關鍵點。
當然,在整個智能系統中,特征的自動發現、層級組合性等誠然至關重要,但這些關鍵的能力之外,我們可能還忽略了若干重要的能力,動態性就是其中一個,有了這個能力,我們的網絡就可以更加容易地處理時間流上的東西,比如運動控制、傳感器流的處理(包括視覺流處理能力,更好的聲音流處理能力以及其他知覺的感知能力)、聯想、觀察、思考、甚至產生意識。

那么現在的RNN存在什么問題呢?

就是因為RNN雖然引入了時間性,但是不徹底,他的本質是直接處理靜態化后的數據流,再進行處理。靜態化就是將隨時間流逝的東西借助緩存等手段變成一個共存的東西,靜態化是智能系統面對時間性問題的解決方案,比如視聽覺暫留機制、緩存機制,但RNN在靜態化方面是被動的,因為網絡本身不提供靜態化的機制,他只能將人為靜態化后的成果進行處理;RNN是圖靈完備的,他可以模擬任何計算過程,而程序也是靜態化的,每一條指令的執行是基于CPU的時間片的,RNN本質上也是,是通過程序控制RNN的step的,倒不是說這種序列步驟有什么錯誤,問題在于序列步驟的基礎仍然是人為的,所以網絡缺乏了施展空間,這種結構限制了RNN具備更加復雜的時間性數據的處理能力,所以你無法用RNN進行實時地觀察、聯想、思考甚至互動等等。

那應該怎樣做呢?

我的一個思路是這樣的,基本就是生物腦運行模式,先拋棄計算量的問題不談,假定我們不需訓練已經掌握了一個權重直接確定法,我們先讓這個用于某種功能的網絡可以實時不斷地接收外部數據,每個神經元都獨立計算,一個完全的分布式模式;從運動控制、簡單的感受器做起,沿著生物進化的腳步增加該神經網絡的復雜性。

香港最快报码开奖结果