盡管我們脆弱的大腦似乎與計算機處理器中的芯片大相徑庭，但科學家們對它們進行比較的歷史由來已久就像艾倫一樣圖靈在1952年說，我們對大腦的一致性不感興趣，就像冷粥一樣換句話說，媒體不重要，重要的是計算能力

目前最強大的人工智能系統采用基于深度學習的機器學習方法，通過調整數據隱藏層中大量相互連接的節點來擬合數據這些節點形成的網絡稱為深度神經網絡根據20世紀50年代神經科學家對神經元的理解，當時有影響的神經元模型叫做感知器從那以后，我們逐漸加深了對單個神經元計算復雜性的理解人們已經了解到生物神經元比人工神經元更復雜，但復雜到什么程度呢不知道

一個生物神經元可以和5到8個人工神經網絡競爭。

為了找到答案，耶路撒冷希伯來大學的大衛貝尼格夫，伊丹塞格夫和麥克倫敦訓練了一個人工深層神經網絡來模擬生物神經元的計算研究表明，一個深度神經網絡需要5到8層相互連接的人工神經元來表達單個生物神經元的復雜性

我以為它會更簡單，更小，貝尼格夫說貝尼格夫也沒有預料到這種復雜性他原本預計三四層就足以捕捉到單元中執行的計算

在谷歌旗下AI公司DeepMind設計決策算法的Timothy Lillicrap表示:新的結果表明，可能有必要重新思考大腦中神經元和機器學習背景下神經元之間不精確比較的舊傳統，他認為這篇論文確實有助于人們更仔細地思考這個問題，并找出我們可以在多大程度上進行類比。

基本的相似之處在于他們處理輸入信息的方式兩個神經元都接收輸入信號，并根據信息決定是否將自己的信號發送給其他神經元人工神經元依靠簡單的計算做出決策，但幾十年的研究表明，生物神經元的這一過程相對更為復雜

計算神經科學家利用輸入輸出函數模擬生物神經元長枝接收的輸入信息與神經元發送的信號之間的關系。

最后，深度神經網絡成功預測了大腦神經元輸入輸出功能的行為結果表明，深度神經網絡至少有5層互連的人工神經元，但不超過8層在大多數網絡中，一個生物神經元相當于大約1000個人工神經元

神經科學家現在知道，單個神經元的計算復雜性取決于樹突分支，它們受到輸入信號的轟擊在神經元決定是否發出自己的信號尖峰之前，會導致局部的電壓變化，這種變化表現為神經元的顏色變化，紅色代表高電壓，藍色代表低電壓這個峰出現三次，如圖右側各枝的軌跡所示，這里的顏色代表了枝晶從上到下的位置

——大衛貝尼格夫

安德烈亞斯，貝勒醫學院的計算神經科學家安德烈亞斯托利阿斯說:在生物神經元和人工神經元之間架起了一座橋梁

倫敦說:我們嘗試了各種不同深度和不同單元的建筑，但大多數都失敗了。

Lillicrap認為，這一研究成果可能為圖像分類網絡與大腦的連接提供一種新的方法圖像分類網絡通常需要50層以上如果每個生物神經元類似于一個五層人工神經網絡，那么一個50層的圖像分類網絡相當于一個生物網絡中的10個真實神經元

Segev指出，我們建議可以嘗試用一個代表生物神經元的單位來代替深層神經網絡中的簡單單位，使其更接近大腦的工作模式在這種替代方案中，人工智能研究人員和工程師可以插入一個五層深度網絡作為迷你網絡，以取代每個人工神經元

有懷疑和肯定。

/p>

但有些人懷疑這一研究是否真的對人工智能有益。

冷泉港實驗室 的神經學家安東尼扎多爾 說，我認為，在這種對比中是否存在實際的計算優勢，還是一個懸而未決的問題但是該研究為檢驗這一點奠定了基礎

一些人認為，這一結果意味著神經科學家應該把對單個生物神經元的研究放在更重要的位置。

賓夕法尼亞大學 的計算神經學家康拉德科爾丁 說:這篇論文使得我們對樹突和單個神經元的思考變得比以前重要得多

還有 Lillicrap 和 Zador，他們認為關注一個回路中的神經元，對于學習大腦如何使用單個神經元的計算復雜性同樣重要。

無論如何，人工神經網絡的研究可能會提供對生物神經元以及大腦奧秘的新見解。

倫敦大學學院 的計算神經科學家格蕾絲林賽 說:從層次，深度和寬度的角度思考，這項工作讓我們對計算的復雜性有了直觀的認識

可是，Lindsay 也警告說，這項新研究仍然只是在對模型進行比較不幸的是，目前神經科學家不可能記錄真實神經元的完整輸入—輸出功能，所以可能有更多生物神經元模型沒有捕捉到的東西換句話說，真正的神經元可能更加復雜

London 說:我們不確定，5 到 8 層是否真的是最終的極限。

本文地址：http://www.dayishuiji.com/finance/11544.html - 轉載請保留原文鏈接。

免責聲明：本文轉載上述內容出于傳遞更多信息之目的，不代表本網的觀點和立場，故本網對其真實性不負責，也不構成任何其他建議；本網站圖片，文字之類版權申明，因為網站可以由注冊用戶自行上傳圖片或文字，本網站無法鑒別所上傳圖片或文字的知識版權，如果侵犯，請及時通知我們，本網站將在第一時間及時刪除。