脑细胞差异可能是人类和人工智能学习的关键

这项新研究发现，在模拟大脑网络时，通过调整单个细胞的电学特性，网络比模拟相同细胞学习得更快。

他们还发现，网络需要更少的调整细胞才能得到相同的结果，而且这种方法比使用相同细胞的模型消耗的能量更少。

作者说，他们的发现可以告诉我们为什么我们的大脑如此擅长学习，也可能帮助我们构建更好的人工智能系统，比如可以识别声音和面孔的数字助理，或者自动驾驶汽车技术。

研究报告的第一作者、伦敦帝国理工学院电气与电子工程系的博士生尼古拉斯·佩雷斯说:“大脑需要高效节能，同时仍然能够出色地解决复杂的任务。我们的研究表明，在大脑和人工智能系统中拥有多样性的神经元可以满足这两个要求，并可以促进学习。”

这项研究发表在自然通讯。

为什么神经元像雪花?

大脑由数十亿个被称为神经元的细胞组成，它们由巨大的“神经网络”连接起来，使我们能够了解世界。神经元就像雪花:从远处看它们是一样的，但进一步观察就会发现，没有哪两个是完全一样的。

相比之下，人工智能所基于的技术——人工神经网络中的每个细胞都是相同的，只是它们的连通性不同。尽管人工智能技术正在飞速发展，但它们的神经网络并没有像人脑那样准确或快速地学习，研究人员想知道它们缺乏细胞可变性是否可能是罪魁祸首。

他们开始研究通过改变神经网络细胞特性来模拟大脑是否能促进人工智能的学习。他们发现，细胞的可变性提高了它们的学习能力，减少了能量消耗。

研究报告的主要作者、帝国理工大学电气与电子工程系的丹·古德曼博士说:“进化赋予了我们令人难以置信的大脑功能——其中大部分我们才刚刚开始了解。”我们的研究表明，我们可以从自己的生物学中吸取重要教训，让人工智能更好地为我们服务。”

调整时间

为了进行这项研究，研究人员专注于调整“时间常数”——也就是说，每个细胞根据与其相连的细胞正在做的事情来决定它想做什么。有些细胞会很快做出决定，只看连接的细胞刚刚做了什么。其他细胞的反应会慢一些，它们的决定是基于其他细胞已经做了一段时间的事情。

在改变细胞的时间常数后，他们让网络执行一些基准机器学习任务:对服装和手写数字的图像进行分类;识别人类的手势;并识别语音数字和命令。

结果表明，通过允许网络结合慢速和快速信息，它能够更好地解决更复杂的现实环境中的任务。

当他们改变模拟网络中的可变性量时，他们发现表现最好的网络与大脑中的可变性量相匹配，这表明大脑可能已经进化到具有最佳学习的适当可变性量。

尼古拉斯补充说:“我们证明了人工智能可以通过模拟某些大脑属性来接近我们大脑的工作方式。然而，目前的人工智能系统远远没有达到我们在生物系统中发现的能源效率水平。

“接下来，我们将研究如何降低这些网络的能量消耗，让人工智能网络更接近于像大脑一样高效地运行。”

本研究由工程与物理科学研究委员会和帝国理工学院院长博士奖学金资助