《PNAS》革命性的模型：新计算模型可能会带来更好的人工智能

为ChatGPT等现代人工智能工具提供动力的几乎所有神经网络都是基于上世纪60年代的活神经元计算模型。熨斗研究所(Flatiron Institute)计算神经科学中心(CCN)开发的一种新模型表明，这种几十年前的近似并没有捕捉到真实神经元所拥有的所有计算能力，而且这种旧模型可能会阻碍人工智能的发展。

CCN开发的新模型假设单个神经元对其周围环境的控制比以前认为的要大。该模型的开发人员表示，更新后的神经元模型最终可能导致更强大的人工神经网络，从而更好地捕捉我们大脑的力量。研究人员在6月24日当周的《美国国家科学院院刊》(Proceedings of The National Academy of Sciences)上发表了一篇论文，介绍了这一革命性的模型。

“在过去的60年里，神经科学取得了相当大的进步，我们现在认识到，以前的神经元模型相当初级，”CCN的小组组长、这篇新论文的资深作者德米特里·奇克洛夫斯基(Dmitri Chklovskii)说。“与这个过于简化的模型相比，神经元是一个复杂得多的设备，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定的方式，尽管是以一种简单得多的方式。这些网络是基于20世纪60年代的神经元模型，由有序的“节点”层构成的。该网络从接收信息的输入层节点开始，然后有处理信息的中间层节点，最后以发送结果的输出层节点结束。

通常，一个节点只有在从前一层的节点接收到的总输入超过一定阈值时才会将信息传递给下一层。当当前的人工神经网络被训练时，信息只在一个方向上通过节点，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环境信息影响周围环境的设备。我们的脑细胞不仅仅是输入的被动中继，实际上可能会控制其他神经元的状态。

Chklovskii认为，这种更现实的神经元控制器模型可能是提高许多机器学习应用性能和效率的重要一步。

“尽管人工智能的成就令人印象深刻，但仍存在许多问题，”他表示。“目前的应用程序可能会给你错误的答案，或者产生幻觉，训练它们需要大量的精力;它们很贵。人类的大脑似乎会避免所有这些问题。如果我们能够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。”

神经元作为控制器模型的灵感来自于科学家们对大脑中由许多神经元组成的大规模电路的了解。大多数大脑回路被认为是由反馈回路组成的，在反馈回路中，处理链中较晚的细胞会影响处理链中较早发生的事情。就像恒温器维持房屋或建筑物的温度一样，大脑回路需要保持自身稳定，以避免因活动而使身体系统不堪重负。

Chklovskii说，这种反馈控制也可以由单个脑细胞实现，这并不完全是凭直觉的。他和他的同事们意识到，一种被称为直接数据驱动控制的新形式的控制是直接和有效的，在生物学上似乎是发生在单个细胞中。

Chklovskii说:“人们认为大脑是一个整体，甚至是大脑的一部分，但没有人认为单个神经元可以做到这一点。”“控制是一项计算密集型任务。很难想象一个神经元有足够的计算能力。”

Chklovskii说，将神经元视为微型控制器也解释了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有很多噪音，这种生物随机性的目的一直存在争议，但CCN团队通过他们的建模发现，某些类型的噪音实际上可以增强神经元的表现。

更具体地说，在一个神经元连接到另一个神经元的连接处(称为“突触”)，经常有一个神经元传递电信号，但下游耦合的神经元没有得到信息的情况。下游神经元是否以及何时接收到突触信号似乎在很大程度上是由偶然决定的。虽然其他科学家推测这种随机性只是小型生物系统的本质，对神经元的行为并不重要，但Flatiron团队发现，在他们的模型神经元中添加噪音可以使其适应不断变化的环境。研究小组发现，在复制真实神经元的功能时，随机性似乎很重要。

Chklovskii下一步计划分析不适合他们新模型的神经元类型。例如，视网膜上的神经元接收来自视觉环境的直接输入。这些神经元可能无法像大脑深处的神经元那样控制它们的输入，但它们可能会使用Chklovskii和他的团队发现的一些相同的原理:即，这些神经元可能能够预测它们的输入，即使它们不能影响它们。

“控制和预测实际上是非常相关的，”Chklovskii说。“如果不预测你的行为对世界的影响，你就无法有效地控制。”