关于人工智能能够发展到何种程度的争论，主要围绕着什么才构成人类智能，以及机器能否在功能上足够接近人类大脑等问题展开。

英国初创公司Stanhope AI并未瞄准通用人工智能（AGI）这一目标，却根据神经科学原理来构建其模型，并受到构成我们大脑的预测性、层级化机制的启发。

其结果是研发出了一款不需要训练的AI。它基本上只需要被告知自己的存在，并被赋予一套先验信念体系——然后就能起飞（字面意义上的）进入现实世界，并利用传感器从周围环境中学习。这与我们通过看、听、感受来扩展知识，从而更新（或强化）我们的世界观的方式并无不同。

这家从伦敦大学学院分拆出来的初创公司，最近为其受神经科学启发的“代理型AI”筹集了230万英镑的资金。

Stanhope AI的分层“大脑”

Stanhope AI的方法基于一种理论，即大脑拥有对世界的模型，并持续努力收集证据来验证和更新这一模型。

“这个AI拥有几层深的‘大脑’，而大脑的最底层就是它的传感器，”该公司联合创始人兼首席执行官、计算神经科学教授罗莎琳·莫兰（Rosalyn Moran）解释说。这些传感器对我们来说就是眼睛，而在这个案例中则是摄像头和激光雷达。

“然后这些传感器将数据输入到预测层，预测层会尝试并判断，‘好的，我看到那边有一堵墙。现在我不需要继续看了’。然后，在更高的层级上，这些预测被构建成更有趣的认知预测。因此，这非常像是一个分层的大脑。”

这与我们人类大脑为了理解世界并节省能量而进行的预测是一样的（大脑是我们体内能量需求最大的器官）。这是神经科学中的一个原理，被称为“主动推断”，是莫兰的联合创始人、理论神经生物学教授卡尔·弗里斯顿（Karl Friston）提出的自由能理论的一部分。

“我不需要检查墙上的每一个像素来确定它是不是墙——我可以填补一些空白。这就是为什么我们认为人类大脑如此高效，”莫兰补充道。

本质上，你体验世界的方式是你的大脑预测你将看到它的结果，这是为了节省能量。但得益于我们的大脑，它们会根据传入的感觉数据来完善这些预测。Stanhope AI的模型也是如此，它使用来自周围世界的视觉输入。然后，它根据新的实时数据做出自主决策。

不需要大规模的训练数据集

使用这种方法进行AI设计与传统的机器学习方法（如用于训练大型语言模型的方法）有很大不同，后者只能在训练者提供的数据范围内操作。

“我们不需要训练[我们的模型]，”莫兰说。“艰巨的工作在于建立生成模型，并确保它是正确的，并具有与你可能希望它运行的地方相一致的先验知识。”

这一切在理论上都很有趣，但对于一个从实验室中诞生的初创公司来说，还需要有实际应用。Stanhope AI表示，其AI可以安装在自主机器上，如送货无人机和机器人。该公司目前正在与包括德国联邦破坏性创新机构和皇家海军在内的合作伙伴进行无人机测试。

迄今为止，这家初创公司面临的最大技术挑战是，从实验室环境中运行的小型模型，扩展到能够学习在更广阔的环境中导航的大型模型。

“我们必须采用三种数学方法来进行更高效的自由能计算，以便为我们的无人机构建更大的世界，”莫兰表示。她还补充说，寻找合适的硬件，让公司能够访问和控制，而无需依赖第三方，也是一项重大的工程难题。

代理式AI的新浪潮

Stanhope AI的“主动推断模型”是真正的自主模型，能够重建并优化它们的预测。这是“代理式AI”新浪潮的一部分，这种AI就像人类大脑一样，总是通过不断从预测与实时数据之间的差异中学习，来“猜测接下来会发生什么”。这种方法不需要进行大量（且昂贵的）前期训练，同时也降低了AI出现“幻觉”的风险。

值得注意的是，Stanhope的 AI是白盒模型，其“解释性已经构建在架构中”。莫兰详细解释道：“我们确保它在模拟中运行得绝对完美。如果AI或无人机做出奇怪的事情，我们就会深入探究它当时的信念，以及它为什么要这么做。因此，这是一种非常不同的开发AI的方式。”她说，这个想法是要改变AI和机器人的能力，使它们在现实世界的场景中产生更大的影响。

UCL科技基金牵头了Stanhope AI 230万英镑的融资轮。Creator Fund、MMC Ventures、Moonfire Ventures和Rockmount Capital也参与了此次融资，同时还有数位行业投资者。

Stanhope AI由教授罗莎琳·莫兰（Rosalyn Moran）、主任教授卡尔·弗里斯顿（Karl Friston）和技术顾问比斯瓦·森古普塔（Biswa Sengupta）博士于2021年共同创立。