大脑激发了一种新型的人工智能

70年前引入的机器学习基于大脑学习动态的证据。利用现代计算机和大型数据集的速度，深度学习算法最近产生的结果可与各种适用领域的人类专家相媲美，但具有与当前神经科学学习知识相距甚远的不同特征。

利用神经元的文化和大规模模拟先进的实验，一组在以色列巴伊兰大学的科学家已经证实了一种新型的超快人工智能算法，基于非常缓慢的脑动力，其跑赢大市由国家迄今取得学习率最先进的学习算法。

在今天发表在《科学报告》杂志上的一篇文章中，研究人员重建了神经科学与高级人工智能算法之间的桥梁，该算法几乎已经无用了70年了。

该研究的主要作者，巴伊兰大学物理系和冈达(Goldschmied)多学科大脑研究中心的Ido Kanter教授说：“当前的科学技术观点是神经生物学和机器学习是两个独立发展的学科。” 。“缺乏预期的相互影响令人感到困惑。”

“大脑中神经元的数量少于现代个人计算机的典型光盘大小中的位数，大脑的计算速度就像是秒针，甚至比发明70多台第一台计算机的速度还要慢年前，”他继续说道。坎特教授补充说：“此外，大脑的学习规则非常复杂，与当前人工智能算法中学习步骤的原理背道而驰。”他的研究团队包括赫鲁特·乌赞，希拉·萨尔迪，阿米尔·金塔尔和罗尼·瓦尔迪。

脑动力学并不符合为所有神经细胞同步的明确定义的时钟，因为随着物理现实的发展，生物学方案必须应对异步输入。坎特教授说：“向前看时，立即观察到有多个物体的框架。例如，在开车时观察到的是汽车，行人过路处和道路标志，并且可以轻松识别它们的时间顺序和相对位置。” “生物硬件(学习规则)旨在处理异步输入并完善其相对信息。” 相反，传统的人工智能算法基于同步输入，因此通常会忽略构成同一帧的不同输入的相对时序。

这项新研究表明，无论大小网络，超快学习率都令人惊讶地相同。因此，研究人员说，“复杂的大脑学习方案的缺点实际上是一个优点。” 另一个重要发现是，无需根据异步输入通过自适应进行学习，就可以进行学习。如最近通过实验观察到的，这种无学习的学习发生在树突中，即每个神经元的多个末端。另外，树突学习下的网络动态由以前认为微不足道的弱权重控制。

基于非常慢的大脑动力学的高效深度学习算法的思想为基于快速计算机的新型高级人工智能提供了机会。它要求重新建立从神经生物学到人工智能的桥梁，并且，正如研究小组得出的结论一样，“对大脑基本原理的理解必须再次成为未来人工智能的中心。”