Salk的研究效果

現在，Salk研究人員已經使用大腦活動的計算模型來比以往更準確地模擬此過程。新模型模仿了大腦的前額葉皮層如何利用一種稱為“門控”的現象來控制神經元不同區域之間的信息流。它不僅為人腦提供了照明，而且還可以為新的人工智能程序的設計提供信息。

洛杉磯-(2020年12月16日)讓計算機像人類一樣“思考”是人工智能的圣杯，但是人類的大腦卻是難以遵循的行為。人腦是將以前學到的知識應用于新情況并不斷完善所學知識的大師。這種自適應能力很難在機器上復制。

Salk計算神經生物學實驗室負責人，該研究的高級作者Terrence Sejnowski說：“如果我們能夠將該模型擴展到更復雜的人工智能系統中，它可能會使這些系統更快地學習事物或找到解決問題的新方法。”這項新工作于2020年11月24日在美國國家科學院院刊上發表。

人類和其他哺乳動物的大腦以快速處理刺激(例如視覺和聲音)并將任何新信息整合到大腦已經知道的事物中的能力而聞名。長期以來，這種將知識應用于新情況并持續學習的靈活性一直是研究人員設計機器學習程序或人工大腦的目標。從歷*看，當一臺機器被教導要完成一項任務時，機器很難學習如何使這些知識適應類似的任務。取而代之的是，每個相關過程都必須單獨教授。

新的網絡不僅在威斯康星州卡片分類任務中表現得像人類一樣可靠，而且還模仿了某些患者中看到的錯誤。移除模型的各個部分后，系統顯示出與前額葉皮質受損患者(如外傷或癡呆癥所致)相同的錯誤。

在當前的研究中，Sejnowski的小組設計了一個新的計算模型框架，以復制前額葉皮層(負責決策和工作記憶的大腦區域)中的神經元在認知測試(稱為威斯康星卡片分類測試)中的行為。在此任務中，參與者必須按顏色，符號或數字對卡片進行排序-并隨著卡片排序規則的變化不斷調整答案。該測試在研究上用于診斷癡呆癥和精神疾病，但也被人工智能研究人員用來評估他們的大腦計算模型可以復制人類行為的程度。

前額葉皮層的先前模型在此任務上表現不佳。然而，Sejnowski團隊的框架整合了神經元如何通過門控來控制整個前額皮質的信息流，將不同的信息委派給網絡的不同子區域。人們認為，門控在小規模上很重要-在控制相似單元的小集群內的信息流方面-但這一想法從未通過整個網絡集成到模型中。