洛杉磯-(2020年12月16日)讓計算機像人一樣思考是人工智能的圣杯，但人腦很難跟上。人的大腦是一個大師，他把以前學過的東西應用到新的情境中，并不斷完善自己所學的東西。這種適應能力很難在機器上復制。
現(xiàn)在，索爾克的研究人員已經使用大腦活動的計算模型比以前更精確地模擬了這個過程。新模型模擬了大腦前額葉皮層如何利用一種被稱為“門控”的現(xiàn)象來控制神經元不同區(qū)域之間的信息流。它不僅為人腦提供照明，也為新的人工智能程序的設計提供信息。
Salk計算神經生物學實驗室負責人、該研究的資深作者Terrence Sejnowski表示：“如果我們能夠將這一模型擴展到更復雜的人工智能系統(tǒng)，可能會讓這些系統(tǒng)學東西更快，或者找到解決問題的新方法?！边@項新工作發(fā)表在2020年11月24日的《美國國家科學院院刊》上。
人類和其他哺乳動物的大腦以其快速處理刺激(如視覺和聲音)并將任何新信息整合到大腦已經知道的信息中的能力而聞名。長期以來，這種將知識應用于新情況和持續(xù)學習的靈活性一直是研究人員在設計機器學習程序或人工大腦時的目標。歷史上，當一臺機器被教會完成一項任務時，機器很難學會如何將這些知識應用于類似的任務。相反，每一個相關的過程都必須單獨教授。
在目前的研究中，Sejnowski的團隊設計了一個新的計算模型框架，用于在認知測試(稱為威斯康星卡片分類測試)中復制前額葉皮層(負責決策和工作記憶的大腦區(qū)域)神經元的行為。在這項任務中，參與者必須根據顏色、符號或數(shù)字對卡片進行分類，并隨著卡片分類規(guī)則的變化不斷調整答案。這項測試在臨床上用于診斷癡呆癥和精神疾病，但人工智能研究人員也使用它來評估他們的大腦計算模型在多大程度上可以復制人類行為。
先前的前額葉皮層模型在這項任務中表現(xiàn)不佳。然而，Sejnowski團隊的框架整合了神經元如何通過門控控制整個前額葉皮層的信息流，并將不同的信息委托給網絡的不同子區(qū)域。人們認為門控在小范圍內非常重要——在控制相似單元的小集群中的信息流方面——但這種想法從未通過整個網絡集成到模型中。
新網絡不僅在威斯康星卡片分揀任務中像人類一樣可靠，還模仿了一些患者看到的錯誤。移除模型的所有部分后，系統(tǒng)顯示出與前額葉皮質損傷患者相同的錯誤(如創(chuàng)傷或癡呆)。
標簽：
免責聲明：本文由用戶上傳，與本網站立場無關。財經信息僅供讀者參考，并不構成投資建議。投資者據此操作，風險自擔。 如有侵權請聯(lián)系刪除！