脑启发学习算法的新时代

MRC 大脑网络动力学单位和牛津大学计算机科学系的研究人员公布了一项突破性原则，揭示了人脑在学习过程中如何适应和调整神经元之间的连接。 

这一发现不仅增强了我们对大脑网络内学习的理解，还有望启发开发更快、更稳健的人工智能 (AI) 学习算法。

大脑学习原理：前瞻性配置

学习的本质在于确定信息处理管道中哪些组件负责输出错误。在 AI 中，这是通过反向传播完成的，其中模型的参数被调整以最小化输出错误。

人们普遍认为人脑采用类似的学习原理。然而，生物大脑在几个方面优于当前的机器学习系统。

例如，人类在遇到新信息后只需一次即可学习，而人工系统通常需要数百次重复相同数据才能掌握。此外，人类可以在保留现有知识的同时获取新知识，而将新数据引入人工神经网络可能会干扰并降低现有知识。

这些观察结果促使研究人员寻找支配大脑学习过程的基本原理。他们检查了描述神经元行为和突触连接变化的现有数学方程集，并进行了彻底分析和模拟。他们的发现挑战了既有的智慧。

在人工神经网络中，外部算法旨在修改突触连接以最小化错误，但研究人员提出，人脑首先将神经元活动稳定在最佳平衡配置中，然后再调整突触连接。 

这种独特的方法被称为“前瞻性配置”，被认为是人类学习的高效特征，可减少干扰并保留现有知识，从而加速学习过程。

模拟与验证

研究人员通过计算机模拟支持他们的发现，证明采用前瞻性配置的模型在动物和人类在自然环境中经常遇到的任务中，表现优于人工神经网络。

为了说明这一概念，研究人员以熊捕鱼为例。在人工神经网络中，如果熊失去了听河流水声的能力（由于耳朵受损），它也会失去闻到鲑鱼气味的能力，从而得出河里没有鲑鱼的错误结论。 

然而，在动物大脑中，声音的缺失不会干扰鲑鱼气味仍然存在这一知识，使熊能够成功继续其捕猎。

填补空白

MRC 大脑网络动力学单位和牛津大学纽尼特临床神经科学系的 Lead 研究员 Rafal Bogacz 教授强调，需要弥合抽象模型与我们对大脑解剖结构理解之间的差距。未来的研究旨在揭示前瞻性配置算法如何在解剖学确定的皮层网络中实现。

该研究的第一作者 Yuhang Song 博士强调了由于计算机系统与生物大脑之间的根本差异，在现有计算机上实现前瞻性配置所面临的挑战。他呼吁开发一种新计算机或专用的脑启发硬件，能够快速且节能地实现前瞻性配置。