廣東
引言構建更像人腦的人工智能可能比用數據淹沒它更重要
最新研究表明，人工智能無需海量的訓練數據就能開始像人腦一樣運作。當研究人員重新設計人工智能系統以使其更接近生物大腦時，一些模型甚至無需任何訓練就能產生類似大腦的活動。這挑戰了目前人工智能開發中對數據需求過高的傳統模式。該研究表明，更智能的設計可以顯著加快學習速度，同時大幅降低成本和能源消耗。
約翰·霍普金斯大學的一項新研究表明，受生物學啟發而設計的人工智能系統，即使在接受任何數據訓練之前，也能開始模擬人腦活動。該研究表明，人工智能的架構方式可能與它處理的數據量同等重要。
這項發表在《自然·機器智能》上的研究成果挑戰了人工智能開發的主流策略。該研究強調，與其依賴數月的訓練、龐大的數據集和強大的計算能力，不如從構建類似大腦的架構基礎入手，這才是更有價值的做法。
重新思考AI的數據密集型方法
“人工智能領域目前的發展趨勢是向模型投入大量數據，并構建規模堪比小型城市的計算資源。這需要花費數千億美元。與此同時，人類僅需極少的數據就能學會觀察，”論文第一作者、約翰·霍普金斯大學認知科學助理教授米克·邦納說道。“進化或許有其合理的原因，才最終形成了這種設計。我們的研究表明，更接近大腦的架構設計能讓人工智能系統擁有非常有利的起點。”
邦納和他的同事們旨在測試，僅靠架構是否就能使人工智能系統擁有更像人類的起點，而無需依賴大規模訓練。
比較流行的AI架構
研究團隊重點研究了現代人工智能系統中常用的三種主要神經網絡設計：Transformer 神經網絡、全連接網絡和卷積神經網絡。
他們反復調整這些設計，創建了數十種不同的神經網絡。所有模型均未事先進行訓練。研究人員隨后向這些未經訓練的系統展示物體、人物和動物的圖像，并將其內部活動與人類和非人靈長類動物觀看相同圖像時的大腦反應進行比較。
為什么卷積神經網絡脫穎而出
增加Transformer網絡和全連接網絡中的人工神經元數量幾乎沒有產生任何實質性變化。然而，對卷積神經網絡進行類似的調整，卻使其活動模式更接近人腦的活動模式。
研究人員表示，這些未經訓練的卷積模型性能與傳統的AI系統不相上下，而傳統的AI系統通常需要接觸數百萬甚至數十億張圖像。研究結果表明，架構在塑造類腦行為方面發揮的作用比之前認為的更大。
通往更智能AI的更快途徑
邦納表示：“如果海量數據訓練真的是關鍵因素，那么單靠架構修改是無法構建出類似大腦的人工智能系統的。這意味著，如果我們從正確的藍圖入手，并可能結合生物學的其他見解，或許就能顯著加快人工智能系統的學習速度。”
該團隊目前正在探索受生物學啟發的簡單學習方法，這些方法可能會催生新一代深度學習框架，從而使人工智能系統速度更快、效率更高，并且對海量數據集的依賴性更低。
免責聲明：
本文所發布的內容和圖片旨在傳播行業信息，版權歸原作者所有，非商業用途。如有侵權，請與我們聯系刪除。所有信息不構成任何投資建議，加密市場具有高度風險，投資者應基于自身判斷和謹慎評估做出決策。投資有風險，入市需謹慎。
設為星標 避免錯過
虛擬世界沒有旁觀者，每個點贊都是創造歷史的像素
關注我，一起探索AWM?
2025-12-31
2025-12-30
2025-12-29
商業贊助
點擊下方 “目錄” 閱讀更多
特別聲明：以上內容(如有圖片或視頻亦包括在內)為自媒體平臺“網易號”用戶上傳并發布，本平臺僅提供信息存儲服務。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
