AI 另一个突破！出现了新的神经元网络模型:更强的环境感知，更好的人脑模仿

当前，以 ChatGPT 以认知智能为代表的大型模型正在加速发展，如何使人工智能（AI）神经网络和人脑一样聪明，起着重要作用。。 20世纪40年代，受大脑神经元的启发，科学家们提出了神经网络算法模型。通过模拟大脑神经元和神经网络的结构和功能，计算机可以学习并做出类似人类思维的决定。

最近，OpenAI 发布的 GPT-4o “类人”模型的交互能力令人惊叹，它的音频响应速度甚至达到了与人类相似的水平。

是否意味着神经网络已经达到了人脑处理信息的能力？最近，来自 Flatiron Institute 与印第安纳大学的研究小组发现，虽然神经网络算法可以在不同程度和层次上模仿人脑神经系统的信息处理功能，但与人脑神经元系统的运行机制仍有很大差距。

他们表示，神经系统算法没有捕捉到真实神经元的所有计算能力，并且可能会干扰人工智能的发展。。 有关研究论文以“The neuron as a direct data-driven controller"问题，已经发表了 Proceedings of the National Academy of Sciences 上。

根据介绍，他们开发了一种 DD-DC（direct data-driven control）新的神经元网络模型，证实了单神经元对周围环境的控制能力比以前想象的要强。。

他们认为，DD-DC 神经网络模型可以产生更强大的神经网络算法，并且可以更好地模仿大脑的运作。这篇论文的通讯作者 Dmitri Chklovskii 表示：“过去 60 多年来，神经科学取得了长足的进步。现在我们意识到以前的神经元模型很简单，其实比这个模型复杂聪明多了。"

新的神经元网络突破

神经网络算法通过多个神经元连接形成一个网络结构。当神经元从前一层神经元收到的总输入超过一定阈值时，它会将信息传递到下一层。

在模型训练中，信息只通过一个神经元单向，不能影响神经元从链中较早的神经元收到的信息。虽然神经网络算法在各个领域都取得了显著的进步，但由于生物神经元固有的可变性，目前神经元参数值难以量化，在神经科学领域构建可推广的大脑神经模型仍然是一个艰巨的挑战。

在之前的研究中，科学家们提出了效率代码和预测信息理论等理论，试图通过优化未来相关信息的代码，将神经元生理概念转化为计算目标的优化。

但是，这些观点并没有很好地解释神经元的某些生理特性。为实现大脑反馈调节的功能，DD-DC 神经元网络模型将神经元建模为周围环境的反馈控制器，直接将观测结果映射到控制指令中，绕过控制动态系统的显式表达和潜在状态的显式推断。

DD-DC 从单一假设开始，神经元网络模型解释了许多以前不相关的神经生理现象，每个解释只提供间接证据，但它们的多样性可以为 DD-DC 支持模型。

图 | 一组开关 DD-DC 控制开关线性系统（ 左图：使用多个开关 DD-DC 控制非线性动态系统的示意图。右图:描绘了一个深度网络模型，其中每个神经元控制其周围环境，从而促进整个大脑更广泛地控制外部环境。 ）

Chklovskii 这意味着这种更逼真的神经元控制器模型可能对提高许多机器学习应用的性能和效率尤为重要。但他也说:“虽然 AI 取得了令人瞩目的成就，但仍然存在许多问题。

现在的应用程序可能会给你一个错误的答案，或者产生幻觉，而且需要大量的训练费用。DD-DC 利用先进的数据驱动控制框架，神经元网络模型反映了生物神经元作为有效反馈控制器的可行性，提出神经元不仅可以预测，而且可以通过其导出对其未来的输入产生积极影响。

研究人员说，DD-DC 神经网络模型可以加深人们对大脑的认识，或许有利于神经网络算法的发展，受到生物学的启发。

将神经元视为微控制器。

这项研究表明，在神经回路中，后期生产链中的神经元可以反馈影响初始处理链中的神经元，这与传统概念中的单向流动完全不同。就像温控器保持房屋或建筑物的温度一样，大脑神经网络需要保持自身稳定，以避免身体系统被活动压垮。

研究表明，电信号的传递偶尔会受到神经元连接点(突触)的随机影响，这实际上有利于神经元适应不断变化的环境，从而提高其性能。

更具体地说，在神经元与另一神经元连接的“突触”部分，往往会出现神经元传输电信号但下游藕合神经元没有收到消息的情况。下游神经元是否收到，突触信号何时收到，似乎主要取决于随机性。

Chklovskii 据说，将神经元视为微控制器也可以解释一些以前无法解释的生物现象。例如，长期以来，人们一直认为大脑中有许多噪音，这种生物随机性的目的一直存在争议。然而，研究团队发现，一些类型的噪音实际上可以增强神经元的性能。

研究者说，人们认为大脑是一个整体，甚至是大脑的一部分，但是没有人认为单个神经元可以做到这一点。控制是一项计算密集型任务，神经元很难有足够的计算能力。尽管一些科学家推断这种随机性只是小生物系统的本质，但它对神经元行为并不重要。但是研究小组发现，给模型增加噪声，有利于神经元适应不断变化的环境，从而提高其性能。对于复制真实神经元的功能来说，随机性似乎也很重要。

然而，这种新模式虽然显示了它的优势，但它的计算需求很高，尤其是在大规模神经网络的实际应用中。因此，研究小组建议将其应用于特定领域的深入分析，如视觉环境中的神经元行为研究。

未来的研究将继续探索不同类型神经元的行为，将这种新模式与对抗性练习和强化学习等其他技术相结合，进一步改进。 AI 模型的可靠性和准确性。他们还计划分析不适合这种新型神经元类型。例如，视网膜中的神经元可以直接从视觉环境中输入。

这类神经元可能不能像大脑深处的神经元那样控制它们的输入，但是它们可能会利用研究小组发现的一些相同的原理。Chklovskii 他说：“控制和预测实际上是非常相关的，如果你不预测你的行为对世界的影响，你就不能有效地控制它。

本文来自微信微信官方账号“学术头条”（ID：SciTouTiao），作者：学术头条，36氪经授权发布。

本文仅代表作者观点，版权归原创者所有，如需转载请在文中注明来源及作者名字。

免责声明：本文系转载编辑文章，仅作分享之用。如分享内容、图片侵犯到您的版权或非授权发布，请及时与我们联系进行审核处理或删除，您可以发送材料至邮箱：service@tojoy.com