幾乎所有支持現代人工智能（AI）工具的神經網絡都是基于20世紀60年代的活體神經元計算模型。但美國西蒙斯基金會熨斗研究所計算神經科學中心（CCN）開發的新模型表明，這種已有數十年歷史的近似模型，并未捕捉到真實神經元所擁有的所有計算能力，并且這種較舊的模型可能會阻礙AI的發展。研究發表在新一期《美國國家科學院院刊》上。
CCN模型開發者認為，單個神經元對周圍環境的控制力遠比以前認為的要大。更新后的神經元模型最終可能會產生更強大的人工神經網絡，更好地捕捉人類大腦的力量。
“神經科學在過去60年中取得了長足進步，我們現在認識到，以前的神經元模型還很初級。”團隊負責人德米特里·奇克洛夫斯基表示，真實神經元比這個過于簡化的模型要復雜得多，也“聰明”得多。
人工神經網絡旨在模仿人類大腦處理信息和做出決策的方式，但所呈現的方式還很簡單。這些網絡基于20世紀60年代的神經元模型，由有序的節點層構成。網絡從接收信息的輸入層節點開始，然后是處理信息的中間層節點，最后是發送結果的輸出層節點。
通常，只有當節點從上一層節點接收到的總輸入超過某個閾值時，它才會將信息傳遞到下一層。在訓練當前的人工神經網絡時，信息只能沿一個方向通過節點，節點無法影響它們從鏈中較早的節點接收到的信息。
相比之下，新模型將神經元視為微小的“控制器”（指能夠根據收集到的信息來影響周圍環境的器件），因為人類腦細胞不僅能被動地傳遞輸入信息，實際上它們還可控制其他神經元的狀態。
奇克洛夫斯基認為，這種更為現實的神經元控制器模型，可能是提高許多機器學習應用性能和效率的重要一步。
總編輯圈點：
盡管當前AI的成就令人矚目，但仍存在許多問題。譬如給你“看似一本正經，實則胡說八道”的答案，又譬如訓練它們需要耗費大量能源。而所有這些問題，人類大腦在工作時都可避免。將神經元作為控制器的靈感也正源于此?，F在，科學家力圖“復制”更真實的神經元功能，如果人們能更好地模仿大腦的穩定與高效，無疑也可以構建出更好的AI。
幾乎所有支持現代人工智能（AI）工具的神經網絡都是基于20世紀60年代的活體神經元計算模型。但美國西蒙斯基金會熨斗研究所計算神經科學中心（CCN）開發的新模型表明，這種已有數十年歷史的近似模型，并未捕捉到真實神經元所擁有的所有計算能力，并且這種較舊的模型可能會阻礙AI的發展。研究發表在新一期《美國國家科學院院刊》上。
CCN模型開發者認為，單個神經元對周圍環境的控制力遠比以前認為的要大。更新后的神經元模型最終可能會產生更強大的人工神經網絡，更好地捕捉人類大腦的力量。
“神經科學在過去60年中取得了長足進步，我們現在認識到，以前的神經元模型還很初級。”團隊負責人德米特里·奇克洛夫斯基表示，真實神經元比這個過于簡化的模型要復雜得多，也“聰明”得多。
人工神經網絡旨在模仿人類大腦處理信息和做出決策的方式，但所呈現的方式還很簡單。這些網絡基于20世紀60年代的神經元模型，由有序的節點層構成。網絡從接收信息的輸入層節點開始，然后是處理信息的中間層節點，最后是發送結果的輸出層節點。
通常，只有當節點從上一層節點接收到的總輸入超過某個閾值時，它才會將信息傳遞到下一層。在訓練當前的人工神經網絡時，信息只能沿一個方向通過節點，節點無法影響它們從鏈中較早的節點接收到的信息。
相比之下，新模型將神經元視為微小的“控制器”（指能夠根據收集到的信息來影響周圍環境的器件），因為人類腦細胞不僅能被動地傳遞輸入信息，實際上它們還可控制其他神經元的狀態。
奇克洛夫斯基認為，這種更為現實的神經元控制器模型，可能是提高許多機器學習應用性能和效率的重要一步。
總編輯圈點：
盡管當前AI的成就令人矚目，但仍存在許多問題。譬如給你“看似一本正經，實則胡說八道”的答案，又譬如訓練它們需要耗費大量能源。而所有這些問題，人類大腦在工作時都可避免。將神經元作為控制器的靈感也正源于此。現在，科學家力圖“復制”更真實的神經元功能，如果人們能更好地模仿大腦的穩定與高效，無疑也可以構建出更好的AI。
本文鏈接：“復制”腦細胞控制環境的能力——神經元新計算模型或產生更強大AIhttp://m.sq15.cn/show-2-7317-0.html
聲明：本網站為非營利性網站，本網頁內容由互聯網博主自發貢獻，不代表本站觀點，本站不承擔任何法律責任。天上不會到餡餅，請大家謹防詐騙！若有侵權等問題請及時與本網聯系，我們將在第一時間刪除處理。
上一篇： 標準商用光纖數據傳輸創紀錄