MRC 腦網絡動力學單元與牛津大學計算機科學系合作，最近宣布了神經科學領域的重大發現。這項發現發表的標題為「研究顯示大腦的學習方式與人工智慧系統的學習方式不同」。 研究人員發現了一種新的大腦學習原理，稱為“前瞻性配置”，與人工智慧(AI) 系統相比，它提供了對人腦優越學習機制的見解。
理解學習：人腦與人工智慧
傳統的人工智慧學習主要基於反向傳播，調整模型參數以最大限度地減少輸出錯誤。這個過程與新發現的大腦學習方法截然不同。人腦展現出快速吸收新資訊並保留已有知識的非凡能力，這是人工智慧系統尚未實現的壯舉。這些能力促使研究人員探索大腦學習的基本原理。
「預期配置」的概念
「前瞻性配置」原理認為，人腦在調整突觸連結前，先將神經元活動優化至平衡狀態。這種方法最大限度地減少新資訊和現有資訊之間的干擾，提高學習效率。在各種模擬中，採用此原理的計算模型已被證明比當前的人工智慧模型更有效、更迅速地學習，在自然環境中動物和人類面臨的任務中表現出色。
未來的研究與影響
由Rafal Bogacz 教授和Yuhang Song 博士領導的研究小組承認大腦學習的抽像模型與詳細的解剖學知識之間的差距。未來的研究旨在了解「前瞻性配置」是如何在特定的大腦網路中實現的。此外，由於目前的計算限制，機器學習中這一原理的模擬面臨著挑戰，這表明需要創新的計算技術或專用的類腦硬體來實現高效和低能耗的實現。
結論
人腦「前瞻性配置」學習原理的這一重要發現不僅豐富了我們對神經過程的理解，而且對於推進人工智慧技術具有巨大的潛力。它為人工智慧研究提出了一個新方向，旨在開發模仿人腦效率和適應性的學習演算法。