来自MRC大脑网络动力学部门和牛津大学计算机科学系的研究人员发现了一种新的方法，用于比较人工智能系统和人类大脑的学习。
该研究首先解决了人类和机器学习中的一个基本问题：学分分配。这个概念确定了学习过程的哪些部分对错误负责，这是学习过程本身固有的。
人工智能系统通过反向传播来实现这一点，调整参数以纠正输出中的错误。
反向传播就像一个反馈循环。当人工智能做出的预测或决策被证明是错误的时，这种方法会追溯到网络的各个层。
该过程识别出计算的哪些部分导致了错误，然后调整这些特定部分，从而有效地改进了人工智能的决策过程，以实现未来的预测。
的 研究发表在《自然神经科学》上的论文解释了反向传播与人类大脑的学习方法有何显著不同。
@ MRCBNDU的新研究表明，大脑的学习方式不同于人工智能系统的学习方式，也优于人工智能系统：www.example.com
– Nuffield临床神经科学系（@ NDhocxford）2024年1月3日
虽然人工智能传统上依赖反向传播来解决错误，但研究人员提出，大脑通过一个称为“前瞻性配置”的过程来执行相同的任务。
在前瞻性配置中，大脑不是直接根据错误调整连接，而是首先预测学习产生的神经活动的理想模式。只有在这个预测之后，神经连接才会发生变化。
这种方法与人工智能中使用的反向传播形成对比，人工智能的过程是反向的—连接调整领先，神经活动的变化紧随其后。
至关重要的是，前瞻性配置，一种几乎所有生物大脑都有的方法，提供了一种比反向传播更有效的学习机制。
与人工智能不同的是，人类可以在最小限度的暴露下快速摄取新信息，而不会侵蚀现有知识，这是人工智能难以比拟的技能。
这一策略不仅保留了现有的知识，而且加快了学习过程。
在旧人类大脑中仍然存在生命
该团队用类比来说明这一概念。想象一下，一头熊在钓鲑鱼：它利用河流的景象和鲑鱼的气味来预测成功。
如果熊由于耳朵受损而突然听不到河流的声音，人工智能模型将错误地假设没有鲑鱼。
相比之下，这种动物的大脑，按照预期的构型运作，仍然依靠气味来推断三文鱼的存在。
这一理论得到了计算机仿真的支持，证明了使用预期配置的模型在学习效率方面优于传统的人工智能神经网络。
MRC脑网络动力学研究所和牛津大学纳菲尔德临床神经科学系的首席研究员Rafal Bogacz教授说，对研究的描述“目前，执行前瞻性配置的抽象模型与我们对大脑网络解剖学的详细知识之间存在很大差距。
“我们小组未来的研究旨在弥合抽象模型和真实大脑之间的差距，并了解如何在解剖学识别的皮层网络中实现前瞻性配置算法。
共同作者宋宇航博士进一步补充说：“在机器学习的情况下，在现有计算机上模拟预期配置是缓慢的，因为它们的运行方式与生物大脑根本不同。需要开发一种新型的计算机或专用的大脑启发硬件，使其能够以很少的能源消耗快速地实现预期配置。
受生物启发的人工智能即将问世
受生物启发的人工智能也被称为神经形态人工智能，旨在创建能够感知、思考和行为类似于自然有机体的系统。
我T侧重于优雅、适应性和能效–这些都是生物系统固有的属性。
人类大脑凭借其高效利用能源和在各种环境中茁壮成长的能力，在许多学科和应用中仍然优于人工智能。
事实上，我们的大脑，在能量最小的情况下，是有意识的， 据大多数人估计，人工智能还没有完成一个里程碑，。
与目前的人工智能模型（如ChatGPT）的巨大功耗需求形成鲜明对比，生物启发的人工智能旨在开发更可持续和适应性更强的系统。
最近在这个领域取得了进展，IBM和Rain AI 开发低功耗芯片 建立在突触功能上。
OpenAI首席执行官萨姆·奥特曼支持的Rain AI 去年，OpenAI的目标是从他们那里获得数百万美元的芯片。
生物启发人工智能的其他新方法 包括群体智能它试图模仿昆虫、鸟类和鱼类群体的集体决策。
随着该领域的进展，它有望弥合传统人工智能模型中发现的差距，带领我们走向机器不仅是工具，而且是具有一定程度的自主性和环境交互的实体的未来。
然而，正如牛津大学的研究表明的那样，人工智能在与生物大脑匹敌之前，有一些基本问题需要回答。
