70年前引入的機器學習基于大腦學習動態(tài)的證據。利用現代計算機和大型數據集的速度，深度學習算法最近產生的結果可與各種適用領域的人類專家相媲美，但具有與當前神經科學學習知識相距甚遠的不同特征。

利用神經元的文化和大規(guī)模模擬先進的實驗，一組在以色列巴伊蘭大學的科學家已經證實了一種新型的超快人工智能算法，基于非常緩慢的腦動力，其跑贏大市由國家迄今取得學習率最先進的學習算法。

在今天發(fā)表在《科學報告》雜志上的一篇文章中，研究人員重建了神經科學與高級人工智能算法之間的橋梁，該算法幾乎已經無用了70年了。

該研究的主要作者，巴伊蘭大學物理系和岡達(Goldschmied)多學科大腦研究中心的Ido Kanter教授說：“當前的科學技術觀點是神經生物學和機器學習是兩個獨立發(fā)展的學科。” 。“缺乏預期的相互影響令人感到困惑。”

“大腦中神經元的數量少于現代個人計算機的典型光盤大小中的位數，大腦的計算速度就像是秒針，甚至比發(fā)明70多臺第一臺計算機的速度還要慢年前，”他繼續(xù)說道。坎特教授補充說：“此外，大腦的學習規(guī)則非常復雜，與當前人工智能算法中學習步驟的原理背道而馳。”他的研究團隊包括赫魯特·烏贊，希拉·薩爾迪，阿米爾·金塔爾和羅尼·瓦爾迪。

腦動力學并不符合為所有神經細胞同步的明確定義的時鐘，因為隨著物理現實的發(fā)展，生物學方案必須應對異步輸入?？蔡亟淌谡f：“向前看時，立即觀察到有多個物體的框架。例如，在開車時觀察到的是汽車，行人過路處和道路標志，并且可以輕松識別它們的時間順序和相對位置。” “生物硬件(學習規(guī)則)旨在處理異步輸入并完善其相對信息。” 相反，傳統的人工智能算法基于同步輸入，因此通常會忽略構成同一幀的不同輸入的相對時序。

這項新研究表明，無論大小網絡，超快學習率都令人驚訝地相同。因此，研究人員說，“復雜的大腦學習方案的缺點實際上是一個優(yōu)點。” 另一個重要發(fā)現是，無需根據異步輸入通過自適應進行學習，就可以進行學習。如最近通過實驗觀察到的，這種無學習的學習發(fā)生在樹突中，即每個神經元的多個末端。另外，樹突學習下的網絡動態(tài)由以前認為微不足道的弱權重控制。

基于非常慢的大腦動力學的高效深度學習算法的思想為基于快速計算機的新型高級人工智能提供了機會。它要求重新建立從神經生物學到人工智能的橋梁，并且，正如研究小組得出的結論一樣，“對大腦基本原理的理解必須再次成為未來人工智能的中心。”