娛樂城|我們可以訓練AI像人的大腦一樣適應嗎?

讓計算機像人類一樣“思考”是人工智能的聖杯,但是人類的大腦卻是很難遵循的行為。人腦是將以前學到的知識應用於新情況並不斷完善所學知識的大師。這種自適應能力很難在機器中復制。現在,Salk研究人員已經使用大腦活動的計算模型來比以往任何時候都更加準確地模擬這個過程。新模型模仿了大腦的前額葉皮層如何利用一種稱為“門控”的現象來控制神經元不同區域之間的信息流。它不僅可以揭示人腦,還可以為新的人工智能程序的設計提供信息。”“如果我們可以將該模型擴展到更複雜的人工智能係統中使用,則可能使這些系統更快地學習或尋找問題的新解決方案,”索爾克(Salk)計算神經生物學實驗室負責人,新研究的資深作者特倫斯·塞諾夫斯基(Terrence Sejnowski)於2020年11月24日在美國國家科學院院刊上發表。人類和其他哺乳動物的大腦已廣為人知因為他們有能力快速處理刺激(例如,視覺和聲音)並將任何新信息整合到大腦已經知道的事物中。長期以來,這種將知識應用於新情況並持續學習的靈活性一直是研究人員設計機器學習程序或人工大腦的目標。從歷史上看,當一台機器被教導要完成一項任務時,機器很難學習如何使這些知識適應類似的任務。在當前的研究中,Sejnowski的小組設計了一個新的計算建模框架,以復制前額葉皮層中的神經元如何-娛樂城評價-負責決策和工作記憶的大腦區域-在稱為威斯康星卡片分類測試的認知測試中表現出來。在此任務中,參與者必須按顏色,符號或數字對卡片進行排序-並隨著卡片排序規則的變化不斷調整答案。該測試在臨床上用於診斷癡呆症和精神疾病,但也被人工智能研究人員用來評估他們的大腦計算模型可以復制人的行為的能力。以前的額葉皮層模型在這項任務上表現不佳。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皮層中信息流的方式,將不同的信息片段委派給網絡的不同子區域。人們認為門控在小規模上很重要-在控制類似單元的小集群內的信息流方面-但這一想法從未通過整個網絡集成到模型中,新網絡不僅表現得像人類一樣可靠在威斯康星州卡片分類任務中,還模仿了某些患者中看到的錯誤。當移除模型的某些部分時,系統顯示出與前額葉皮層受損患者所見的相同錯誤,例如由外傷或癡呆引起的錯誤。“我認為其中最令人興奮的部分是,使用這種建模框架,我們對大腦的組織方式有了更好的了解。”娛樂城推薦alk畢業生娛樂城評價 學生和新論文的第一作者。他補充說:“這對機器學習和對影響前額葉皮層的某些疾病的更好理解都有影響。”如果研究人員對前額葉皮層區域如何協同工作有更好的了解,這將有助於指導干預措施治療腦損傷。例如,這可能會提示需要針對深度大腦進行刺激的領域。“當您思考大腦仍然超越最先進的深度學習網絡的方式時,這些方式之一就是跨不同任務的通用性和通用性規則”,研究合著者Salk系統神經生物學實驗室教授兼Wylie Vale主席Kay Tye說。 “在這項新工作中,我們展示了信息門控如何為我們的新的和改進的前額葉皮層模型提供動力。”接下來,該團隊希望擴大網絡規模,以執行比卡片分類測試更複雜的任務,並確定網絡是否在所有情況下,全門控都為人造前額葉皮層提供了更好的工作記憶。如果新方法在廣泛的範圍內可行娛樂城推薦在賺錢的情況下,他們懷疑這將導致改進的人工智能係統更能適應新情況。參考文獻:Tsuda B,Tye KM,Siegelmann HT,Sejnowski TJ。通過前額葉皮層中的門控進行轉移和節省的自適應終身學習的建模框架。 PNAS2020; 117(47)29872-29882。 doi:10.1073 / pnas.2009591117本文已通過以下材料重新發表。注意:材料的長度和內容可能已被編輯。有關更多信息,請聯繫引用的來源。