与其一味解读，不如认它做老师？

我们对动物的了解，可能比我们知道的要少得多，因此，向它们学习，也许是现阶段人工智能的突破点。智能相对论分析师雷宇将其称为“兽工智能”，那么“兽工智能”到底是怎么回事？

1．动物可以帮助人工智能变得更聪明

本文预测动物行为的研究证明，当狗看到不同的物体时，身体的反应是不同的，狗能清楚地表现出视觉智能，能识别食物、障碍物、人类以及动物。这种不同反应我们在现实生活中也很常见，而既然狗能够这么聪明地识别出不同目标，那么神经网络也能够被训练成同样聪明。

因此在后续实验中，探究人员进一步尝试把神经网络训练得“像狗一样”，并让其在不同场景中识别物体，进一步发现，通过这种学习方式，深度神经网络可以识别出室内或者室外等不同场景，并且能够理解怎样在不同场景下行走，路线怎样更合理，而这一学习原理显然可以迁徙到机器人自主行走领域。

训练机器让神经网络懂得如何智能识别物体是一项艰难的任务，因为它需要大量先验知识，这对于机器来说学习起来相当耗费时间，如今狗知道这些规则，那么人们将不必再从基础来训练神经网络，通过观察狗的行为就能掌握这些规则。

众所周知，如今AI技术应用上最火的是两种，一是智能语音，二是机器视觉。但人类目前在触觉、味觉和嗅觉领域这三个领域中的进展特别缓慢，尤其是味觉和嗅觉，属于小众需求，目前只有一些特殊领域的机器需要用到，因此整个研发投入都不足。

就机器识别而言，人是视觉动物，所以感觉视觉比较靠谱。而动物之间的识别，不一定靠视觉。嗅觉、味觉、触觉、听觉都有可能。比如老鼠，由于皮层无褶皱，神经元分层也比灵长类少，视觉皮层占的比例非常小，因此只能看到鼻尖前面一点点。但它嗅觉很发达，它可以通过嗅觉来识别其他物种。

去年7月，一位尼日利亚科学家研制出了一种新型AI芯片，可以让计算机拥有嗅觉识别能力，比如识别出爆炸物气味等等。但是官方披露的资料的极少，至今也没太大的动静，估计现状不容乐观，起码是不能做到大规模的商用。

而一旦商用，机器嗅觉将必须让AI先看到物体这一步骤省略，直接透过现象窥视隐藏物体的本质。如此一来，未来公共场合中的毒品将无处遁形。

2．动物可以开拓全新的学习机制

图片来自公众号视觉求索

上图a是一只被研究人员在日本发现和跟踪拍摄的野生乌鸦。它找到了坚果，需要砸碎，可是这个任务超出它的物理动作的能力。于是它发现一个诀窍，把果子放到路上让车轧过去（图b），就可以完成“鸟机交互”了。但是虽然坚果被轧碎了，但它到路中间去吃是一件很危险的事。它又开始观察了，见图c。最后他发现了红灯停绿灯行，过马路要走斑马线这一逻辑复杂的机制，搞清楚之后，乌鸦就选择了一根正好在斑马线上方的一根电线，蹲下来了（图d）。它把坚果抛到斑马线上，等车子轧过去，然后等到行人灯亮了（图e）。这个时候，车子都停在斑马线外面，它终于可以从容不迫地走过去，吃到了地上的果肉（图f）。

这个过程既没有大数据训练的，也没有所谓监督学习，但是乌鸦硬是解决了世界顶级科学家都解决不了的完全自主智能。这是与当前很多机器学习，特别是深度学习完全不同的机制。

那我们如何向乌鸦一样聪明呢？其实可以采用一些搜索进化算法的办法来解决

首先我们很确定的知道，建造一个和乌鸦的脑子一样强大的电脑是可能的——我们的大脑就是证据。但如果太难完全模拟，那么我们可以模拟出乌鸦大脑的演化过程。

这种方法叫作“基因算法”。它建立一个反复运作的表现／评价过程，就好像生物通过生存这种方式来表现，并且以能否生养后代为评价一样。一组电脑将执行各种任务，最成功的将会“繁殖”，把各自的程序融合，产生新的电脑，而不成功的将会被剔除。经过多次的反复后，挑选出最接近于样本的甚至超越样本的电脑。

这个方法的缺点也很明显，人类主导的演化会比自然快很多很多，演化需要经过几十亿年的时间，而我们却只想花几十年时间，因此我们现阶段具备的技术优势是否能使模拟演化可行还有待商榷。

电影中的杜立德博士因为动物而重拾了快乐，他们始终平等而坦诚。但现实生活的残酷在于，人工智能的受益方是人，“兽工智能”也是。

文｜雷宇