XiaoMi-AI文件搜索系统
World File Search System大脑皮层
小脑和新皮层之间的结构协方差固有结构协方差将小脑子区域连接到大脑皮层
1麦康奈尔脑成像中心，生物医学工程系，医学院，计算机科学学院，神经科学学院 - 蒙特利尔神经学院（MNI），麦吉尔大学，蒙特利尔大学，蒙特利尔，加拿大魁北克； 2米拉 - 加拿大魁北克蒙特利尔的魁北克人工智能研究所； 3西部神经科学研究所，西部大学，伦敦，加拿大安大略省； 4加拿大安大略省伦敦西部大学计算机科学系； 5加拿大安大略省伦敦西部大学统计与精算科学系； 6加拿大魁北克蒙特利尔康科迪亚大学心理学系； 7德国莱比锡Max Planck人类认知与脑科学研究所神经病学系； 8美国德克萨斯州达拉斯的UTSW高级成像研究中心； 9伊利诺伊州伊利诺伊州伊利诺伊州乌尔巴纳大学的生物工程系； 10 N.1 N.1卫生研究所睡眠与认知中心电气与计算机工程系，新加坡新加坡国立大学卫生与数字医学研究所；和11个共济失调中心，神经解剖学和小脑神经生物学实验室，马萨诸塞州综合医院和哈佛医学院，美国马萨诸塞州波士顿，美国马萨诸塞州波士顿
细胞与发育生物学年度评论是什么让我们成为人类：从人类新皮层的进化和发展中获得的见解
“是什么让我们成为人类？”是许多研究领域的核心问题，尤其是人类学。在这篇综述中，我们将重点关注人类大脑皮层（大脑中在认知方面发挥关键作用的部分）的发育，以获得回答这一问题的神经生物学见解。我们首先讨论皮层干细胞和祖细胞以及影响其行为的人类特异性基因。因此，我们旨在了解人类进化过程中发生的大脑皮层扩张的分子基础，因为这种扩张通常被认为为我们独特的认知能力提供了基础。然后，我们回顾了新出现的证据，这些证据表明现代人类和我们的近亲尼安德特人在大脑皮层发育方面存在差异。最后，我们讨论了与神经回路有关的人类特异性基因，并为未来研究解决是什么让我们成为人类的问题提供了一个视角。
大脑皮层切除术离体小牛脑模拟模型中的连续仪器跟踪：面部和内容验证
背景和目标：软脑膜下皮质切除术涉及完整病变切除，同时保留软脑膜并避免损伤邻近正常组织，这是神经外科实习生必须掌握的一项基本双手任务。我们试图开发一种离体小牛脑皮质切除术模拟模型，并在模拟过程中持续评估手术器械的运动。对熟练参与者进行了一系列病例研究，以评估表面效度和内容效度，以深入了解该培训平台的实用性，同时确定熟练和不太熟练的参与者在效度评估方面是否存在统计差异。方法：开发了一种离体小牛脑模拟模型，其中实习生对三个定义区域进行软脑膜下皮质切除术。一系列病例研究使用 7 点李克特量表问卷评估了该模型的表面效度和内容效度。结果：本次调查纳入了 12 名熟练参与者和 11 名不太熟练的参与者。根据 7 点李克特量表确定了表面效度的总体中位数得分为 6.0（范围 4.0-6.0），内容效度的总体中位数得分为 6.0（范围 3.5-7.0），熟练组和低技能组之间没有统计学差异。结论：开发了一种新型离体小牛脑模拟器来复制软脑膜下切除术，并证明了表面效度和内容效度。
适合对象操作的工作记忆的人工智能架构研究
1分钟大概就在大脑皮层上。例如，有报道称，在将多种形式的信息整合到工作记忆中时，前额叶皮层会被激活[6]。我们认为大脑皮层是一种贝叶斯网络[7]。如果这是正确的，大脑皮层的工作记忆功能也应该利用贝叶斯网络来实现。在设计模型时，大脑中唯一物理存在的节点是那些代表当前时间 t 的信息的节点，并且每个节点只能引用时间 t-1 的信息。假设为了表示该模型，我们使用 BESOM [7]，我们提出它是大脑皮层的计算模型。 BESOM 是一种贝叶斯网络，通过对条件概率表施加约束来限制参数数量的激增。 BESOM 的最新版本能够使用门来控制节点之间的连接[8][9][10]。我们之前展示了如何使用生成模型 [3] 来表示工作记忆，但在本节中我们将更详细地解释它。图2中，节点W表示工作记忆状态，S表示传感器输入，A表示强化学习机制选择的动作规则。 P 指定记忆状态的默认行为（保留或忘记值）。更新内存值时，A t +1 会抑制 P t +1 的影响。它由一个门（黑色圆圈）表示，控制从 A t +1 到 P t +1 和 W t +1 的转换。工作记忆的更新规则在这个模型上被表述为推理，但由于大脑在物理上不可能向后发送循环信念传播的信息，因此大脑必须做出某种近似的推理。 转到
人类大脑皮层的计算功耗不到 0.2 瓦，但考虑到通信成本，这种巨大的功耗却是最佳的
达尔文进化论倾向于产生节能的结果。另一方面，能量限制了计算，无论是神经和概率计算，还是数字和逻辑计算。在建立节能观点之后，我们定义计算并构建一个可优化的能量约束计算函数。该函数意味着 ATP 消耗过程之间的特定区分，尤其是计算本身与动作电位和其他通信成本。因此，这里对 ATP 消耗的划分与早期工作不同。计算的 bits/J 优化需要对人脑进行能量审计。划分和审计显示，大脑皮层计算消耗 0.2 瓦 ATP，而长距离通信成本却是大脑的 20 倍多，而不是使用经常被引用的 20 瓦葡萄糖（1、2）。bits/joule 计算优化意味着瞬时信息速率超过 7 bit/sec/神经元。
脉冲频率自适应支持时间分散信息的网络计算
为了解决诸如识别歌曲、回答问题或反转符号序列等任务，皮层微电路需要整合和处理前几秒内分散的信息。为底层计算（尤其是使用脉冲神经元）和与行为相关的整合时间跨度创建生物学上真实的模型是出了名的困难。我们研究了脉冲频率适应在此类计算中的作用，发现它具有令人惊讶的巨大影响。大脑皮层中相当一部分神经元（尤其是在人类大脑皮层的较高区域）都具有这一众所周知的特性，这使得脉冲神经网络模型对时间分散的网络输入的计算性能从相当低的水平提升到人类大脑的性能水平。
神经祖细胞中的同时NBS1和p53失活触发高级神经胶质瘤
f i g u r e 1 p53失活挽救NBS1 NES-CRE有害脑表型。（a）通过p53失活在p21处拯救NBS1 NES-CRE脑缺陷。（b）与NBS1 NES-CRE EGL和大脑皮层相比，NBS1 NES-CRE，P53 / EGL和大脑皮层缺乏凋亡。比例尺=20μM。（c）与NBS1 NES-CRE的大脑相比，NBS1 NES-CRE EGL中的Tunel阳性细胞数量显着减少。nbs1 nes-cre（n = 3），nbs1 nes-cre，p53 /（n = 2），nbs1 ctrl（n = 4）。nbs1 nes-cre vs nbs1 ctrl（脑皮质**：p = 0.0018，egl ****：p <0.0001），nbs1 nes-cre，p53 / vs nbs1 nbs1 nbs1 nes-cre（大脑皮层NBS1 CTRL（脑皮质 *：P = 0,0181，EGL *：P = 0.0360）。（d）NBS1 NES-CRE和NBS1 NES-CRE，P53 / EGL表现出γ-H2AX灶。比例尺=20μM。（E）NBS1 NES-CRE和NBS1 NES-CRE，p53 / eGL和脑皮质中γ-H2AX +细胞的定量。n.s：没有显着差异。nbs1 nes-cre
为什么人工智能永远不会超越人类智能
摘要 一篇题为“深度学习在人工智能中不合理的有效性”的论文认为，实现通用人工智能（即人类水平的智能）的方法就是复制有机大脑为人类做事的方式。该论文认为，人工智能必须从一个非常有限的二维空间（称为平面国）转移到一个万维空间，这个万维空间代表了人类大脑皮层神经元之间的数百万亿个突触。论文指出，如果他们希望实现通用人工智能，那么从二维人工智能转向万维人工智能实际上是朝着错误的方向迈进。事实上，尽管大脑皮层神经元之间有数百万亿个突触，但人类意识是一维的或整体的。为了实现通用人工智能，机器必须做人类可以做的一切，且输出中没有间隙或接缝。提出了一种人类大脑模型，其中大脑皮层的不同部分专门用于不同的功能，这些不同的区域通过脑电波以光速进行电子通信，这就是大脑在我们体内产生整体一维意识的方式。此外，由于自然界中不存在数字，因此有机大脑与深度学习不同，无需借助数字程序或统计数据即可产生智能输出。