Salk的研究效果

Salk的研究效果

现在，Salk研究人员已经使用大脑活动的计算模型来比以往更准确地模拟此过程。新模型模仿了大脑的前额叶皮层如何利用一种称为“门控”的现象来控制神经元不同区域之间的信息流。它不仅为人脑提供了照明，而且还可以为新的人工智能程序的设计提供信息。

洛杉矶-(2020年12月16日)让计算机像人类一样“思考”是人工智能的圣杯，但是人类的大脑却是难以遵循的行为。人脑是将以前学到的知识应用于新情况并不断完善所学知识的大师。这种自适应能力很难在机器上复制。

Salk计算神经生物学实验室负责人，该研究的高级作者Terrence Sejnowski说：“如果我们能够将该模型扩展到更复杂的人工智能系统中，它可能会使这些系统更快地学习事物或找到解决问题的新方法。”这项新工作于2020年11月24日在美国国家科学院院刊上发表。

人类和其他哺乳动物的大脑以快速处理刺激(例如视觉和声音)并将任何新信息整合到大脑已经知道的事物中的能力而闻名。长期以来，这种将知识应用于新情况并持续学习的灵活性一直是研究人员设计机器学习程序或人工大脑的目标。从历*看，当一台机器被教导要完成一项任务时，机器很难学习如何使这些知识适应类似的任务。取而代之的是，每个相关过程都必须单独教授。

新的网络不仅在威斯康星州卡片分类任务中表现得像人类一样可靠，而且还模仿了某些患者中看到的错误。移除模型的各个部分后，系统显示出与前额叶皮质受损患者(如外伤或痴呆症所致)相同的错误。

在当前的研究中，Sejnowski的小组设计了一个新的计算模型框架，以复制前额叶皮层(负责决策和工作记忆的大脑区域)中的神经元在认知测试(称为威斯康星卡片分类测试)中的行为。在此任务中，参与者必须按颜色，符号或数字对卡片进行排序-并随着卡片排序规则的变化不断调整答案。该测试在研究上用于诊断痴呆症和精神疾病，但也被人工智能研究人员用来评估他们的大脑计算模型可以复制人类行为的程度。

前额叶皮层的先前模型在此任务上表现不佳。然而，Sejnowski团队的框架整合了神经元如何通过门控来控制整个前额皮质的信息流，将不同的信息委派给网络的不同子区域。人们认为，门控在小规模上很重要-在控制相似单元的小集群内的信息流方面-但这一想法从未通过整个网络集成到模型中。