科技猎奇客 神经元簇发能模拟 AI 学习策略
每当人类或者机器学会更好地完成一项任务时，都会留下一系列证据。一系列物理变化——大脑中的细胞或算法中的数值——是提高表现的基础。但系统如何准确地确定要进行哪些调整可不是一件小事。它被称为可信度赋值问题（credit assignment problem），大脑或者人工智能系统必须找出管线中哪些部分应对错误负责，然后对其进行必要的修改。简单说：这是一个问责游戏，找出是谁的过错。
AI 工程师用被称为反向传播(backpropagation)的算法解决了机器的可信度赋值问题，该算法在 1986 年由 Geoffrey Hinton、David Rumelhart 和 Ronald Williams 的工作推广开来。现在它是最成功的人工智能系统——深度神经网络（在输入层和输出层之间隐藏若干人工神经元层）学习的主要驱动力。根据发表在《Nature Neuroscience》期刊上的一篇论文，科学家现在可能终于在活着的大脑中找到了与之对等可实时工作的模型。
由渥太华大学 Richard Naud 与麦吉尔大学和 Mila AI 研究所 Blake Richards 领导的一组研究人员发现了一种大脑学习算法的新模型，该模型可以模拟反向传播过程。它看起来非常逼真，以至于引起了实验神经科学家们注意，科学家现在对研究真正的神经元非常有兴趣，希望了解大脑是否真的这样做。柏林洪堡大学的实验神经科学家 Matthew Larkum 表示：“理论性的想法可以推动我们进行困难的实验，在我看来这篇论文已经超越了这一标准……它具有生物学意义上的合理性，而且可能会产生很大的影响。”
AI 工程师用被称为反向传播(backpropagation)的算法解决了机器的可信度赋值问题，该算法在 1986 年由 Geoffrey Hinton、David Rumelhart 和 Ronald Williams 的工作推广开来。现在它是最成功的人工智能系统——深度神经网络（在输入层和输出层之间隐藏若干人工神经元层）学习的主要驱动力。根据发表在《Nature Neuroscience》期刊上的一篇论文，科学家现在可能终于在活着的大脑中找到了与之对等可实时工作的模型。
由渥太华大学 Richard Naud 与麦吉尔大学和 Mila AI 研究所 Blake Richards 领导的一组研究人员发现了一种大脑学习算法的新模型，该模型可以模拟反向传播过程。它看起来非常逼真，以至于引起了实验神经科学家们注意，科学家现在对研究真正的神经元非常有兴趣，希望了解大脑是否真的这样做。柏林洪堡大学的实验神经科学家 Matthew Larkum 表示：“理论性的想法可以推动我们进行困难的实验，在我看来这篇论文已经超越了这一标准……它具有生物学意义上的合理性，而且可能会产生很大的影响。”