详细内容或原文请订阅后点击阅览
小的改变让一些人工智能系统比其他系统更像大脑
约翰·霍普金斯大学的研究表明，受生物学启发的人工智能架构可以在无需大量训练的情况下模拟人脑活动，从而提高人工智能效率。
来源:Scientific Inquirer根据约翰·霍普金斯大学的最新研究，采用受生物学启发的架构设计的人工智能系统可以在接受任何数据训练之前模拟人类大脑活动。
发表在《自然机器智能》上的研究结果挑战了构建人工智能的传统方法，它优先考虑架构设计，而不是需要数月时间、耗资数十亿美元、需要数千兆瓦能源的深度学习和训练类型。
“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 和一个科学家团队专注于人工智能开发人员通常用作构建人工智能系统蓝图的三类网络设计：变压器、全连接网络和卷积网络。
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。
当变压器和全连接网络通过给予更多的人工神经元进行修改时，它们几乎没有表现出任何变化。然而，以类似的方式调整卷积神经网络的架构，使研究人员能够在人工智能中生成活动模式，从而更好地模拟人脑的模式。