基于缓慢脑动力学的人工智能

以色列巴尔-伊兰大学的科学家使用先进的神经文化和大规模模拟实验，创建了一种新的超快人工智能。这种新的人工智能是基于人类的缓慢脑动力学。这种脑动力学比我们今天拥有的最佳学习算法具有更好的学习率。

机器学习实际上与我们的大脑动力学密切相关，并且基于我们的大脑动力学。凭借现代计算机的速度和大数据集，我们能够创建出类似于人类专家在各个领域的深度学习算法。然而，这些学习算法具有与人类大脑不同的特征。

大学的科学家团队在《科学报告》杂志上发表了他们的研究成果。他们致力于连接神经科学和先进的人工智能算法，这是一个被废弃了几十年的领域。

巴尔-伊兰大学物理系和戈尔达（戈尔德施密德）多学科脑研究中心的教授伊多·坎特，是这项研究的首席作者。他对这两个领域进行了评论。

“当前的科学和技术观点是，神经生物学和机器学习是两个独立发展的学科，”他说。“缺乏相互影响是令人费解的。”

“大脑中的神经元数量少于现代个人计算机的磁盘大小，而大脑的计算速度就像钟表的秒针，甚至比70年前发明的第一台计算机还慢，”他说。

“另外，大脑的学习规则非常复杂，远离当前人工智能算法的学习原则。”

坎特教授与一支研究团队合作，包括赫鲁特·乌赞、希拉·萨迪、阿米尔·戈尔登塔尔和罗尼·瓦尔迪。

在处理脑动力学时，他们处理异步输入，因为物理现实会发生变化和发展。因此，神经细胞没有同步。这与人工智能算法不同，因为它们基于同步输入。不同输入在同一帧中的时序通常被忽略。

坎特教授继续解释这种动力学。

“当我们展望未来时，我们会立即看到一个包含多个物体的帧。例如，当我们开车时，我们会看到汽车、行人过街和道路标志，并且可以轻松地确定它们的时间顺序和相对位置，”他说。“生物硬件（学习规则）是为处理异步输入而设计的，并且可以改进它们的相对信息。”

这项研究的一个关键点是，无论网络大小如何，超快学习率都是相同的。根据研究人员的说法，“复杂的大脑学习方案的缺点实际上是一个优势。”

研究还表明，学习可以在没有学习步骤的情况下发生。它可以通过异步输入的自适应来实现。在人类大脑中，这种学习发生在树突和每个神经元的不同终端。这之前已经被观察到。以前，人们认为网络动力学在树突学习下由弱权重控制是无关紧要的。

这项新研究和发现可能具有多种含义。这些高效的深度学习算法和它们与非常缓慢的大脑动力学的相似性，可以帮助创建一种新的先进人工智能，利用快速计算机。

研究还推动了神经生物学和人工智能领域之间的合作，这可以帮助两个领域进一步发展。根据研究小组的说法，“我们大脑的基本原理的见解必须再次成为未来人工智能的核心。”