类脑学习算法的新时代

英国医学研究委员会脑网络动力学研究组和牛津大学计算机科学系的研究人员揭示了一项突破性原理，该原理阐明了人脑在学习过程中如何适应和调整神经元之间的连接。. 

这一发现不仅加深了我们对大脑网络内学习的理解，而且有可能启发人工智能（AI）中更快、更强大的学习算法的开发。.

大脑学习原理：前瞻性配置

学习的本质在于dent信息处理流程中哪些环节导致了输出错误。在人工智能领域，这是通过反向传播实现的，即调整模型的参数以最小化输出错误。.

人们普遍认为人脑也采用类似的学习原理。然而，生物大脑在多个方面都优于目前的机器学习系统。.

例如，人类只需接触一次就能学习新信息，而人工智能系统往往需要数百次重复使用相同数据才能掌握。此外，人类可以在获取新知识的同时保留已有信息，而将新数据引入人工神经网络则可能干扰并削弱已有的知识。.

这些观察结果促使研究人员探寻大脑学习过程的基本原理。他们研究了描述神经元行为和突触连接变化的现有matic方程组，并进行了详尽的分析和模拟。他们的发现挑战了当时普遍接受的观点。.

在人工神经网络中，外部算法旨在修改突触连接以最大限度地减少错误，但研究人员提出，人脑首先将神经元的活动调整到最佳平衡配置，然后再调整突触连接。. 

这种被称为“前瞻性配置”的独特方法被认为是人类学习的一个有效特征，它减少了干扰并保留了现有知识，从而加速了学习过程。.

仿真与验证

研究人员通过计算机模拟来佐证他们的发现，结果表明，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。.

为了阐明这一概念，研究人员以熊捕鲑鱼为例。在人工神经网络中，如果熊因耳朵受损而失去听觉，无法听到河流的声音，它也会失去嗅到鲑鱼气味的能力，从而得出河里没有鲑鱼的错误结论。. 

然而，在动物的大脑中，没有声音并不会干扰对鲑鱼气味仍然存在的感知，这使得熊能够成功地继续它的觅食之旅。.

弥合差距

来自医学研究委员会脑网络动力学研究中心和牛津大学纳菲尔德临床神经科学系的首席研究员拉法尔·博加茨教授强调，需要弥合trac模型与我们对大脑解剖结构的理解之间的差距。未来的研究旨在揭示前瞻性配置算法如何在解剖学上dent的皮层网络中实现。.

该研究的第一作者宋宇航博士强调，由于计算机系统与生物大脑之间存在根本差异，在现有计算机中实现前瞻性配置面临诸多挑战。他呼吁开发一种新型计算机或专用的类脑硬件，以快速、节能地实现前瞻性配置。.