新传媒网几乎所有支持 ChatGPT 等现代人工智能工具的神经网络都是基于 20 世纪 60 年代的活体神经元计算模型。Flatiron 研究所计算神经科学中心(CCN) 开发的新模型表明，这种已有数十年历史的近似模型并未捕捉到真实神经元所拥有的所有计算能力，并且这种较旧的模型可能会阻碍人工智能的发展。
CCN 开发的新模型认为，单个神经元对周围环境的控制力比以前认为的要大。模型开发者表示，更新后的神经元模型最终可能会产生更强大的人工神经网络，更好地捕捉我们大脑的力量。研究人员在6 月 24 日发表在《美国国家科学院院刊》上的一篇论文中介绍了这一革命性的模型。
“神经科学在过去 60 年中取得了长足进步，我们现在认识到以前的神经元模型还很初级，” CCN 团队负责人、新论文的资深作者Dmitri Chklovskii表示。“神经元是一种比这个过于简化的模型复杂得多的设备，也聪明得多。”
人工神经网络旨在模仿人类大脑处理信息和做出决策的方式，尽管方式要简单得多。这些网络基于 20 世纪 60 年代的神经元模型，由有序的“节点”层构成。网络从接收信息的输入层节点开始，然后是处理信息的中间层节点，最后是发送结果的输出层节点。
通常，只有当节点从上一层节点接收到的总输入超过某个阈值时，它才会将信息传递到下一层。在训练当前的人工神经网络时，信息只能沿一个方向通过节点，节点无法影响它们从链中较早的节点接收到的信息。
相比之下，新发表的模型将神经元视为微小的“控制器”，这是一个工程术语，指的是能够根据收集到的周围环境信息来影响周围环境的设备。我们的脑细胞不仅仅是被动地传递输入，它们实际上还可以控制其他神经元的状态。
Chklovskii 认为，这种更为现实的神经元控制器模型可能是提高许多机器学习应用的性能和效率的重要一步。
“尽管人工智能的成就令人瞩目，但仍存在许多问题，”他说。“当前的应用程序可能会给你错误的答案，或者产生幻觉，而且训练它们需要大量能源;它们非常昂贵。所有这些问题似乎都是人类大脑可以避免的。如果我们能理解大脑是如何做到这一点的，我们就可以构建更好的人工智能。”
神经元作为控制器的模型灵感来自于科学家对由许多神经元组成的大脑大规模电路的了解。大多数大脑电路被认为是组织成反馈回路的，其中处理链中后期的细胞会影响链中早期发生的事情。就像恒温器维持房屋或建筑物的温度一样，大脑电路需要保持自身稳定，以避免活动过多而使身体系统不堪重负。
奇克洛夫斯基表示，这种反馈控制也可以由单个脑细胞实现，这并非完全凭直觉。他和同事们意识到，一种称为直接数据驱动控制的新型控制形式既简单又高效，从生物学角度来看，在单个细胞中实现是可行的。
“人们认为大脑是一个整体，甚至大脑的某些部分是控制器，但没有人认为单个神经元可以做到这一点，”Chklovskii 说。“控制是一项计算密集型任务。很难想象一个神经元具有足够的计算能力。”
Chklovskii 表示，将神经元视为微型控制器还可以解释一些以前无法解释的生物现象。例如，人们早就意识到大脑中存在大量噪音，这种生物随机性的目的一直存在争议，但 CCN 团队通过建模发现，某些类型的噪音实际上可以增强神经元的性能。
更具体地说，在一个神经元与另一个神经元连接处(称为“突触”)，经常会出现这样的情况：一个神经元传输电信号，但下游耦合神经元却没有收到信息。下游神经元是否以及何时接收突触信号似乎在很大程度上受偶然性支配。虽然其他科学家推测这种随机性只是小型生物系统的性质，对神经元行为并不重要，但 Flatiron 团队发现，向他们的模型神经元添加噪声使其能够适应不断变化的环境。该团队发现，随机性似乎在复制真实神经元的功能方面很重要。
