AI自组织开发复杂生物体大脑的特征 |CyberDaily

封面：DALL-E3

CyberDaily：

大脑不仅擅长解决复杂的问题，而且只消耗很少的能量

——Jascha Achterberg

剑桥大学的科学家们通过给人工智能系统施加物理约束，类似于人脑在物理和生物约束下发展和运作，使其能够解决任务并拥有复杂生物大脑的特征。他们发现，这种约束可以帮助系统发展出与人脑相似的关键特征和策略。研究结果有望在设计未来的人工智能系统时提供新思路。

在一项发表于《自然机器智能》的研究中，剑桥大学医学研究委员会认知与脑科学单位的盖茨学者贾斯卡·阿赫特伯格(Jascha Achterberg)、丹尼尔·阿卡卡(Dr Danyal Akarca)和他们的团队创建了一个人工系统，旨在模拟大脑的一个简化版本，并施加了物理约束。他们发现，这个系统开始发展出与人脑相似的关键特征和策略。

该系统使用计算节点而非真实的神经元。神经元和节点在功能上相似，每个神经元或节点都接受输入、进行转换，并产生输出，一个节点或神经元可以连接到多个其他节点，所有这些节点输入信息以进行计算。

然而，在这个系统中，研究人员对系统施加了一种“物理”约束。每个节点在虚拟空间中被赋予特定位置，两个节点之间的距离越远，它们之间的通信就越困难。这与人脑中的神经元组织方式相似。

研究人员给系统提供了一个简单的任务，比如一个简化版本的迷宫导航任务，该任务通常用于研究大脑时给动物如老鼠和猕猴进行的实验，动物在该任务中需要结合多个信息来决定到达终点的最短路径。

研究团队选择这个特定任务的原因之一是，完成该任务需要系统维护多个元素 - 起始位置、终点位置和中间步骤 - 并且一旦系统学会了可靠地完成任务，可以观察到在试验的不同时刻哪些节点是重要的。例如，一组特定的节点可能对应终点位置，而其他节点则对应可行的路径，可以追踪不同阶段哪些节点是活跃的。

最初，系统不知道如何完成任务并会犯错误。但是当给予系统反馈后，它逐渐学会了做得更好。它通过改变节点之间的连接强度来学习，类似于我们学习时神经元之间连接强度的改变。然后，系统反复进行该任务，直到最终学会正确执行。

然而，由于物理约束，两个节点之间的距离越远，在响应反馈时建立连接就越困难。在人脑中，跨越较大物理距离的连接形成和维持成本很高。

当系统在这些约束下执行任务时，它使用了与真实人脑相似的一些技巧来解决任务。例如，为了绕过这些约束，人工系统使用了一种策略，即学习将信息传递给附近的节点，然后通过这些节点传递到目标节点。这类似于人脑中的“中间节点”策略，其中信息在不同的脑区之间传递。

研究人员发现，通过这种物理约束，系统逐渐发展出与人脑相似的特征和策略。例如，系统开始形成具有相似功能的节点群集，并在任务执行过程中动态地调整节点之间的连接。

这项研究的结果具有重要意义。首先，它提供了一种新的方法来设计人工智能系统，使其能够更好地模拟人脑的运作方式。通过施加物理约束，系统能够发展出更加灵活和高效的解决问题的策略。

其次，这项研究还揭示了人脑在物理和生物约束下如何发展和运作的一些关键特征。这有助于我们更好地理解人脑的工作原理，并为未来的神经科学研究提供新的方向。

最后，这项研究还为人工智能系统的发展提供了新的思路。通过模拟人脑的特征和策略，我们可以设计出更加智能和灵活的系统，为各种任务提供更好的解决方案。

这项研究的发现对于人工智能领域的进一步发展具有重要意义。它为我们提供了一种新的思路，通过物理约束和模拟人脑的特征，设计出更加智能和高效的人工智能系统。这将为各种领域，如自动驾驶、医疗诊断和机器人技术等，带来巨大的潜力和突破。

参考引用资料

[1]https://www.cam.ac.uk/research/news/ai-system-self-organises-to-develop-features-of-brains-of-complex-organisms

-未来已来，只是分布不均匀-