尽管这项工作尚不足以直接给出构建“更好AI”的工程蓝图，研究团队认为，它供给了一种从新思虑人工智能的视角。 经由过程体系性地研究大年夜脑若何组织与处理信息，科研人员有望总结出一套可迁徙的原则，指导人工智能在架构、能效和决定计划机制方面的改进。 将来的AI体系，或许须要跳出严格分层、单向传播的框架，转而引入更多类似生物大年夜脑的动态反馈与并行交互构造。
传统不雅点认为，大年夜脑做决定计划的过程大年夜致遵守单向的“自下而上”层级通路：信息从视觉、听觉或躯体感到等早期感到区进入，逐级传递至更高层级的结合皮层和额叶皮层，最终在这些“高阶中枢”中完成整合与决定计划。 恰是基于这种懂得，卷积神经收集等人工智能体系大年夜多采取类似的分层构造，将智能视作信息沿固定偏向逐层加工、在顶层“输出决定计划”的成果。 然而，跟着对天然智能认知的加深，越来越多学者开端质疑这种过于简化的“流水线式”模型。
本次研究由伊利诺伊大年夜学电气与计算机工程系传授尤里·弗拉索夫（Yurii Vlasov）领衔，论文揭橥于美国国度科学院院刊（PNAS）。 研究团队选择从体系层面从新核阅大年夜脑，将其视为进化塑造的“天然智能”体系，强调不合脑区之间的反馈回路与双向信息流，而非单一偏向的串行加工链条。 在这一框架下，决定计划被看作多个脑区之间持续交互、合营出现的成果，而不是被高阶区域“单向下达”的指令。
天然智能的一个明显特点是高效节能：在完成复杂感知、认知与决定计划义务时，人脑的能耗远低于当本大年夜多半人工智能体系。 为懂得这种高效性的来源，研究团队没有局限于某一个功能模块，而是从整体架构出发，考察不合区域之间的协同方法。 弗拉索夫表示，懂得大年夜脑在架构层面是若何组织决定计划计算的，有望赞助工程界设计出更有效、更节能、也更“聪慧”的下一代人工智能体系。
在具体实验设计上，研究者聚焦于大年夜脑最早期的处理阶段，即负责感到与知觉的区域。 他们在小鼠身上开展实验，让动物在一条虚拟实际走廊中移动，经由过程触须感知情况并据此做出左转或右转的感知性决定计划。 在这一过程中，科研人员记录了小鼠大年夜脑中大年夜面积神经元的活动，尤其存眷初级体感皮层（S1）的反响模式。
成果出乎料想：与决定计划相干的旌旗灯号在传统上被视为“只处理基本感到”的初级体感皮层中被清楚捕获到。 这注解，决定计划过程并非仅在高阶皮层“后端”启动，而是在大年夜脑最前哨的感到处理阶段就已浮现出明显的决定计划表征。 换言之，早期感到区并不是简单地把“原始数据”打包上传，而是在很早的时光点就介入了对行动选择的编码。
进一步分析发明，初级体感皮层的活动并不是孤立产生的，而是明显受到高阶脑区的反馈调制。 这种自上而下的回馈旌旗灯号，与自下而上的感到输入合营塑造了S1中的神经活动模式。 由此可见，大年夜脑并非按照单一路径“从感知到决定计划”线性推动，而是在多个层级之间经由过程反馈回路持续来去地交换信息，从而完成对外界信息的解读和对行动的选择。
弗拉索夫指出，大年夜脑的“神经编码”仍然像一种尚未破译的说话，但从体系层面懂得这些反馈回路和动态交互，已经可认为人工神经收集的设计供给有价值的启发。 当前的人工智能在决定计划层面仍存在明显短板，而天然智能在一致甚至更复杂义务下，却能以远低于现代硬件体系的能耗完成运算，这背后蕴含的架构经验值得工程界“向大年夜天然取经”。
接下来，弗拉索夫团队筹划持续追踪大年夜脑活动在时光维度上的变更，重点研究神经活动的快速时光动力学。 他们正在开辟新的对象，以更高精度测量和分析神经旌旗灯号，试图从时光分辨率更高的数据中，揭示反馈回路在决定计划过程中的具体介入方法。 在他看来，只有看清这些反馈环路是如安在时光上被激活、如安在不合处理层级间形成和重构，才有可能真正懂得天然智能的运作之道，并将之转化为新一代人工智能架构的设计基本。
发表评论 取消回复