人工神经网络和生物大脑有什么区别

2022年1月26日整理发布：让人类如此高效地学习事物的主要算法是什么?这是一个困扰人工智能科学家和研究人员的问题，在过去的几十年里，他们一直试图复制人脑的思维和解决问题的能力。创造思维机器的梦想激发了人工智能领域的许多创新，最近促进了深度学习的兴起，人工智能算法大致模仿了大脑的学习功能。

但正如一些科学家所说，蛮力学习并不是让人类和动物在出生后不久就能与世界互动的能力。关键是有机大脑的结构和先天能力，这一论点在当今以人工神经网络为主的人工智能社区中大多被驳回。

在同行评审期刊Nature上发表的一篇论文中，神经科学冷泉港实验室教授 Anthony Zador 认为，这是一个高度结构化的大脑，可以让动物成为非常高效的学习者。Zador 的论文题为“对纯粹学习的批判以及人工神经网络可以从动物大脑中学到什么”，解释了为什么扩大人工智能算法的当前数据处理能力无助于达到狗的智能，更不用说人类了。Zador 解释说，我们需要的不是从头开始学习一切的人工智能，而是算法，就像有机生物一样，具有可以与学习经验相辅相成的内在能力。

人工与自然学习

纵观人工智能的历史，科学家们一直以自然为指导，开发能够体现智能行为的技术。自该领域历史的早期以来，符号人工智能和人工神经网络就构成了开发人工智能系统的两种主要方法。

“符号人工智能可以看作是心理学家的方法——它从人类的认知过程中汲取灵感，而不是试图打开黑匣子——而使用类似神经元的元素的人工神经网络则从神经科学中汲取灵感，”Zador 写道。

虽然程序员在其中明确定义系统规则的符号系统在人工智能历史的前几十年占主导地位，但今天神经网络是人工智能大多数发展的主要亮点。

人工神经网络受到其生物学对应物的启发，并试图模仿有机大脑的学习行为。但正如 Zador 所解释的，人工神经网络中的学习与大脑中发生的情况大不相同。

“在人工神经网络中，学习是指从输入数据中提取结构(统计规律)并将该结构编码为网络参数的过程，”他写道。

例如，当你开发一个卷积神经网络时，你会从一张白板开始，这是一种由人工神经元层层与随机权重相连的结构。当您在图像及其相关标签上训练网络时，它会逐渐调整其数百万个参数，以便能够将每个图像放入其正确的存储桶中。过去几年表明，神经网络的性能随着层数、参数和数据的增加而提高。(实际上，还涉及许多其他复杂的问题，例如调整超参数，但这将是另一篇文章的主题。)

人工神经元和生物神经元之间有一些相似之处，例如人工神经网络设法从图像中提取低级和高级特征的方式。

但是当涉及到人类和动物时，学习发现了不同的意义。“神经科学(和心理学)中的‘学习’一词是指行为的长期变化，它是经验的结果，”扎多尔写道。

人工学习和自然学习之间的区别不仅限于定义。在监督学习中，神经网络是在手工标记的数据上训练的(例如上面提到的例子)，这些差异变得更加尖锐。

“虽然这种训练的最终结果是一个人工神经网络，其能力至少在表面上模仿了人类对图像进行分类的能力，但人工系统的学习过程与新生儿的学习过程几乎没有相似之处，”扎多尔观察到.

孩子们大多学会自己探索他们的世界，不需要太多的指导，而监督算法仍然是深度学习的主要形式，需要数百万张带标签的图像。“很明显，孩子们并不主要依靠监督算法来学习对物体进行分类，”Zador 写道。

目前正在研究无监督或自我监督的 AI 算法，这些算法可以在很少或没有人类指导的情况下学习表示。但结果非常初级，低于监督学习所取得的成果。