以色列巴爾蘭大學的科學家們利用先進的神經培養(yǎng)實驗和大規(guī)模模擬來創(chuàng)造一種新的超快人工智能。新的人工智能基于人類緩慢的大腦動態(tài)。與我們今天擁有的最佳學習算法相比，這些大腦動力學具有更好的學習率。

機器學習實際上是密切相關的，并且基于我們大腦的動態(tài)。隨著現(xiàn)代計算機的速度及其龐大的數據集，我們已經能夠創(chuàng)建類似于人類不同領域專家的深度學習算法。然而，這些學習算法具有與人腦不同的特征。

該大學的科學家團隊在《科學報告》雜志上發(fā)表了他們的研究成果。他們致力于將神經科學和先進的人工智能算法聯(lián)系起來，這個領域已經被放棄了幾十年。

Bar-llan大學物理系和 Gonda (Goldschmied) 多學科腦研究研究的 Ido Kanter 教授、該研究的主要作者對這兩個領域進行了評論。

“目前的科技觀點是，神經生物學和機器學習是兩個獨立發(fā)展的不同學科，”他說。“缺乏預期的互惠影響令人費解。”

“大腦中的神經元數量少于現(xiàn)代個人計算機典型磁盤大小的位數，而大腦的計算速度就像時鐘上的秒針，甚至比發(fā)明的第一臺計算機還要慢 70幾年前，”他說。

“此外，大腦的學習規(guī)則非常復雜，與當前人工智能算法的學習步驟原理相去甚遠。”

Kanter 教授與 Herut Uzan、Shira Sardi、Amir Goldental 和 Roni Vardi 等研究團隊合作。

當涉及到大腦動力學時，它們會處理異步輸入，因為物理現(xiàn)實會發(fā)生變化和發(fā)展。因此，神經細胞沒有同步。這與人工智能算法不同，因為它們基于同步輸入。同一幀內的不同輸入及其時序通常被忽略。

坎特教授接著解釋了這種動態(tài)。

“當向前看時，人們會立即觀察到一個包含多個對象的框架。例如，在駕駛時觀察汽車、人行橫道和路標，并可以輕松識別它們的時間順序和相對位置，”他說。“生物硬件(學習規(guī)則)旨在處理異步輸入并完善它們的相關信息。”

這項研究提出的一個觀點是，無論是小型網絡還是大型網絡，超快的學習率都大致相同。根據研究人員的說法，“復雜大腦學習方案的缺點實際上是一個優(yōu)點。”

該研究還表明，無需學習步驟即可進行學習。可以通過基于異步輸入的自適應來實現(xiàn)。在人類大腦中，這種類型的學習發(fā)生在樹突中，樹突是神經細胞的短延伸，以及每個神經元的不同末端。這已經被觀察到了。以前，人們認為樹突學習下的網絡動力學由弱權重控制并不重要。

這項新的研究和發(fā)現(xiàn)可能意味著很多不同的事情。這些高效的深度學習算法以及它們與非常緩慢的大腦動力學的相似性可以幫助創(chuàng)建具有快速計算機的新型高級人工智能。

該研究還推動了神經生物學和人工智能領域之間的合作，這可以幫助兩個領域進一步發(fā)展。根據該研究小組的說法，“對我們大腦基本原理的洞察必須再次成為未來人工智能的中心。”