仿脑架构可减少AI对海量数据依赖

新研究显示，采用类脑启发的设计构建的人工智能系统，即使在未经任何数据训练之前，就能开始展现出类似人脑的神经活动。该研究表明，AI的结构方式与其处理的数据量同等重要。

这项发表在《自然·机器智能》上的研究结果，挑战了当前AI开发的主流策略。研究强调，以类似大脑的架构基础为起点具有重要价值，而非依赖数月的训练、海量数据集和庞大的计算能力。

反思AI的重数据方法

"目前AI领域的发展方向是向模型投入大量数据，并建设小城市规模的算力资源。这需要花费数千亿美元。而人类仅用很少的数据就能学会看东西，"第一作者、约翰斯·某机构认知科学助理教授表示。"进化可能出于充分的原因收敛于这种设计。我们的工作表明，更类似大脑的架构设计为AI系统提供了一个非常有利的起点。"

研究团队旨在检验：仅靠架构本身，能否在不依赖大规模训练的情况下，赋予AI系统一个更接近人类的起点。

比较流行的AI架构

研究团队聚焦于现代AI系统中常用的三种主要神经网络设计：Transformer、全连接网络和卷积神经网络。

他们反复调整这些设计，创建了数十种不同的人工神经网络。所有模型均未经过预先训练。然后，研究人员向这些未训练的系统展示物体、人物和动物的图像，并将其内部活动与人类及非人灵长类动物观看相同图像时的大脑反应进行比较。

卷积网络为何脱颖而出

增加Transformer和全连接网络中的人工神经元数量，几乎没有产生有意义的变化。然而，对卷积神经网络进行类似的调整后，其活动模式与人类大脑中观察到的模式更加匹配。

研究人员称，这些未经训练的卷积模型的表现，与通常需要接触数百万甚至数十亿张图像的传统AI系统相当。结果表明，架构在塑造类脑行为方面的作用比以前认为的要大。

通往更智能AI的更快路径

"如果海量数据训练确实是关键因素，那么仅通过架构修改就不可能获得类脑AI系统，"作者说。"这意味着，通过从正确的蓝图出发，并可能融合生物学的其他见解，我们或许能够显著加速AI系统的学习。"

该团队目前正在探索受生物学启发的简单学习方法，这可能会催生新一代深度学习框架，有望使AI系统更快、更高效，并且减少对海量数据集的依赖。FINISHED