基于慢脑动力学的人工智能

以色列巴尔兰大学的科学家们利用先进的神经培养实验和大规模模拟来创造一种新的超快人工智能。新的人工智能基于人类缓慢的大脑动态。与我们今天拥有的最佳学习算法相比，这些大脑动力学具有更好的学习率。

机器学习实际上是密切相关的，并且基于我们大脑的动态。随着现代计算机的速度及其庞大的数据集，我们已经能够创建类似于人类不同领域专家的深度学习算法。然而，这些学习算法具有与人脑不同的特征。

该大学的科学家团队在《科学报告》杂志上发表了他们的研究成果。他们致力于将神经科学和先进的人工智能算法联系起来，这个领域已经被放弃了几十年。

Bar-llan大学物理系和 Gonda (Goldschmied) 多学科脑研究研究的 Ido Kanter 教授、该研究的主要作者对这两个领域进行了评论。

“目前的科技观点是，神经生物学和机器学习是两个独立发展的不同学科，”他说。“缺乏预期的互惠影响令人费解。”

“大脑中的神经元数量少于现代个人计算机典型磁盘大小的位数，而大脑的计算速度就像时钟上的秒针，甚至比发明的第一台计算机还要慢 70几年前，”他说。

“此外，大脑的学习规则非常复杂，与当前人工智能算法的学习步骤原理相去甚远。”

Kanter 教授与 Herut Uzan、Shira Sardi、Amir Goldental 和 Roni Vardi 等研究团队合作。

当涉及到大脑动力学时，它们会处理异步输入，因为物理现实会发生变化和发展。因此，神经细胞没有同步。这与人工智能算法不同，因为它们基于同步输入。同一帧内的不同输入及其时序通常被忽略。

坎特教授接着解释了这种动态。

“当向前看时，人们会立即观察到一个包含多个对象的框架。例如，在驾驶时观察汽车、人行横道和路标，并可以轻松识别它们的时间顺序和相对位置，”他说。“生物硬件(学习规则)旨在处理异步输入并完善它们的相关信息。”

这项研究提出的一个观点是，无论是小型网络还是大型网络，超快的学习率都大致相同。根据研究人员的说法，“复杂大脑学习方案的缺点实际上是一个优点。”

该研究还表明，无需学习步骤即可进行学习。可以通过基于异步输入的自适应来实现。在人类大脑中，这种类型的学习发生在树突中，树突是神经细胞的短延伸，以及每个神经元的不同末端。这已经被观察到了。以前，人们认为树突学习下的网络动力学由弱权重控制并不重要。

这项新的研究和发现可能意味着很多不同的事情。这些高效的深度学习算法以及它们与非常缓慢的大脑动力学的相似性可以帮助创建具有快速计算机的新型高级人工智能。

该研究还推动了神经生物学和人工智能领域之间的合作，这可以帮助两个领域进一步发展。根据该研究小组的说法，“对我们大脑基本原理的洞察必须再次成为未来人工智能的中心。”