大脑学习弱于人工智能
传统上，人工智能源于人脑动力学。然而，与深度学习 (DL) 相比，大脑学习在许多重要方面受到限制。首先，高效的 DL 布线结构(架构)由数十个前馈(连续)层组成，而大脑动力学仅由几个前馈层组成。其次，深度学习架构通常由许多连续的过滤层组成，这些过滤层对于识别其中一个输入类别至关重要。例如，如果输入是汽车，第一个过滤器识别车轮，第二个过滤器识别门，第三个过滤器识别灯，经过许多额外的过滤器后，很明显输入对象确实是一辆汽车。相反，大脑动力学只包含一个靠近视网膜的过滤器。
大脑在精确数学运算方面的实现有限，能否与在快速并行计算机上实现的先进人工智能系统竞争?根据我们的日常经验，我们知道对于许多任务来说，答案是肯定的!为什么会这样，鉴于这个肯定的答案，是否可以构建一种受大脑启发的新型高效人工智能?在今天发表在《科学报告》上的一篇文章中，以色列巴伊兰大学的研究人员解决了这个难题。
“我们已经证明，在人工树架构上进行有效学习(其中每个权重都有一条通往输出单元的路径)可以实现比以前由更多层和过滤器组成的 DL 架构所实现的更好的分类成功率。这一发现铺平了道路Bar-Ilan 物理系和 Gonda (Goldschmied) 多学科大脑研究中心的 Ido Kanter 教授说，他领导了这项研究。
“高度修剪的树结构代表了通过单个或多个神经元实现有效树突树学习的合理生物学实现，降低了复杂性和能量消耗，以及反向传播机制的生物学实现，这是目前人工智能的核心技术，”补充道Yuval Meir，博士生和这项工作的贡献者。
高效的树突树学习基于 Kanter 和他的实验研究团队之前的研究 - 并由 Roni Vardi 博士进行 - 表明使用 神经元培养物进行亚树突适应的证据，以及神经元的其他各向异性特性，如 不同的尖峰波形、 不应 期 和 最大传输率。
高度修剪树训练的有效实施需要一种新型硬件，这种硬件不同于更适合当前 DL 策略的新兴 GPU。需要一种新硬件的出现来有效地模仿大脑动力学。
版权声明：本文由用户上传，如有侵权请联系删除！