详细内容或原文请订阅后点击阅览
约翰霍普金斯大学研究挑战数十亿美元的人工智能模型
选择正确的蓝图可以加速视觉 AI 系统的学习。约翰·霍普金斯大学的最新研究表明，采用受生物学启发的结构构建的人工智能系统甚至在接受任何训练之前就可以产生与人脑相似的活动模式。这项发表在《自然机器智能》上的研究表明 [...]
来源:SciTech日报选择正确的蓝图可以加速视觉 AI 系统的学习。
根据约翰·霍普金斯大学的最新研究，采用受生物学启发的结构构建的人工智能系统甚至在接受任何训练之前就可以产生与人脑相似的活动模式。
这项发表在《自然机器智能》杂志上的研究表明，人工智能模型的设计可能比广泛的深度学习过程更重要，后者通常需要数月时间、需要大量能源且耗资数十亿美元。
自然机器智能“人工智能领域目前的发展方式是向模型输入大量数据，并构建小城市规模的计算资源。这需要花费数千亿美元。与此同时，人类使用很少的数据学会了看东西，”主要作者、约翰·霍普金斯大学认知科学助理教授米克·邦纳 (Mick Bonner) 说。 “进化可能有充分的理由集中在这种设计上。我们的工作表明，更像大脑的架构设计使人工智能系统处于一个非常有利的起点。”
Bonner 和他的同事研究了经常指导现代人工智能系统构建的三大类网络设计：变压器、全连接网络和卷积网络。
针对大脑活动测试 AI 架构
科学家们反复修改这三个蓝图或人工智能架构，以构建数十个独特的人工神经网络。然后，他们将这些未经训练的新人工智能网络暴露在物体、人和动物的图像中，并比较模型对暴露于相同图像的人类和灵长类动物的大脑活动的反应。
DOI: 10.1038/s42256-025-01142-3