計算機得了抑鬱症，這聽起來荒唐極了。然而，人工智慧與人類大腦的確有著共同且關鍵的特點。
如今，全球範圍內的抑鬱症患者人量已突破3.5億，而這個數字仍在持續增加。在我們眼裡，抑鬱症是一種只有我們人類才會患上的疾病。然而出乎意料的是，對抑鬱症的一個全新思考方向居然來自人工智慧。當今人工智慧的飛速發展同樣也得益於對人腦的研究，那人工智慧是否能反過來給人類在瞭解精神疾病這個方面帶來一些靈感呢？
在計算神經科學的研究中，一個重要思路是，不論人類還是AI在內的任何智慧體都要處理相似的任務，因此它們都需要類似的解決方案。以任何形式存在的智慧體面在面對這個世界時，都需要建造一個模型以描述自己運作方式，這有助於智慧體進行目標預測、計劃制定和行動執行。
就智慧系統來說，設定一個正確的學習速率是其關鍵。以人為例，人類對於世界的認知建立於長年累月的經驗積累。不過，事物時常會發生瞬息間的改變，比方說突然去到了陌生的國度，這就需要構建一個比原先有著更強大靈活性（Flexibility）的模型才行。而對人工智慧來說，控制模型靈活性的全域性引數，或是說其權值更新的速度，就是它的“學習率（Learning rate）”。
對逆境無所適從是導致人類患上抑鬱的一個最主要原因。打個比方，有個人因一場突如其來的事故而不幸殘疾，那麼他就不得不去學習從一個新的視角來審視自己以及這個世界。假如這個人無法做到這點，那麼ta就很有可能會患上抑鬱。類似的，機器也會遭遇同樣的挑戰。設想一下，有個機器人它的硬體出現了故障，那麼它也就需要學習去用一種新的方法來獲取資訊。假如它的學習速率過低，它就可能面臨缺乏調整演算法的靈活性。如果機器受損程度嚴重，那麼它甚至還可能得調整自己的目標。假如它不能很好地適應諸如此類的新狀況，那麼它也許就會停止嘗試。
想要修好一個得了“抑鬱”的人工智慧並不難，程式設計師只需增加它的學習率即可。但這樣來想，假如一個人工智慧被送到以光年計位的其它星系中，那它就只能考它自己來設定自己的學習率了，這種情況就很有可能會出問題。有人也許會提出解決這個問題的方案就是儘可能得讓人工智慧保持高水平的靈活性，但要知道，擁有高水平的靈活性也未必就是件好事。學習率過高的人工智慧會更傾向於遺忘掉以有的知識經驗，因此無法實現學習成果的積累。若是目標過太靈活，人工智慧也會變得無所顧忌，造成頻繁因新鮮事物無法集中注意力的後果。
人腦和人工智慧一樣，兩者都有著關鍵的全域性變數，在計算精神病學家那這被稱為“神經調節物”。這些“神經調節物”的範圍就包括了多巴胺和5-羥色胺（又叫血清素）。雖然這些高度集權的細胞群的數量並不多，但它們卻有著能將化學資訊傳送給整個大腦的能力。
在我們的實驗研究以及其它相關的系列研究都能證實，我們大腦用來設定學習率的方法與5-羥色胺系統有著密切的關係。在我們的實驗中，我們先是令一隻老鼠成果完成一項有著多個規則限制的任務，然後我們再突然改變完成任務的規則，此時老鼠的血清素神經元就會呈現出劇烈的反應，它們似乎發出了這樣一種驚訝的訊號：“ 哎呀！模式變啦！”小鼠下游腦區的血清素釋放會提高它們大腦的可塑性或是令神經元突觸發生重構，而重構現象在修改神經迴路中過時的模型中尤其明顯。
常見的抗抑鬱藥大多為選擇性血清素再攝取抑制劑（SSRIs），目的是提高抑鬱患者大腦中血清素的利用率。抗抑鬱藥常常被簡單地描述為“幸福藥”，而這項研究就發現，這類藥物主要是透過提高大腦的可塑性來達成抗抑鬱效果的。若進一步的研究驗證真為如此，那麼對抗抑鬱症將會轉而從調整靈活性這方面入手。
如今的人工智慧高度專業化但無自主權，仍處於學習機器的階段。當我們能夠使用更為靈活的“一般人工智慧”時，我們也許就能更好地瞭解它們究竟是如何發生故障的，這就將為了解抑鬱症甚至是精神分裂症等精神疾病上提供極大幫助。
至於人類個體的抑鬱問題，不但當是因為我們在學習上遭遇了困難，更重要的是因為人們因此經歷著不同程度痛苦，所以我們才會這麼願意去關注這種疾病。雖然對於機器來說，即使它們表現出來症狀類似於抑鬱症，它們也可能並不會因此產生任何痛苦，但這並不意味著我們就不能利用它們找尋人腦潛在的出錯原因。
計算機得了抑鬱症，這聽起來荒唐極了。然而，人工智慧與人類大腦的確有著共同且關鍵的特點。
如今，全球範圍內的抑鬱症患者人量已突破3.5億，而這個數字仍在持續增加。在我們眼裡，抑鬱症是一種只有我們人類才會患上的疾病。然而出乎意料的是，對抑鬱症的一個全新思考方向居然來自人工智慧。當今人工智慧的飛速發展同樣也得益於對人腦的研究，那人工智慧是否能反過來給人類在瞭解精神疾病這個方面帶來一些靈感呢？
在計算神經科學的研究中，一個重要思路是，不論人類還是AI在內的任何智慧體都要處理相似的任務，因此它們都需要類似的解決方案。以任何形式存在的智慧體面在面對這個世界時，都需要建造一個模型以描述自己運作方式，這有助於智慧體進行目標預測、計劃制定和行動執行。
就智慧系統來說，設定一個正確的學習速率是其關鍵。以人為例，人類對於世界的認知建立於長年累月的經驗積累。不過，事物時常會發生瞬息間的改變，比方說突然去到了陌生的國度，這就需要構建一個比原先有著更強大靈活性（Flexibility）的模型才行。而對人工智慧來說，控制模型靈活性的全域性引數，或是說其權值更新的速度，就是它的“學習率（Learning rate）”。
對逆境無所適從是導致人類患上抑鬱的一個最主要原因。打個比方，有個人因一場突如其來的事故而不幸殘疾，那麼他就不得不去學習從一個新的視角來審視自己以及這個世界。假如這個人無法做到這點，那麼ta就很有可能會患上抑鬱。類似的，機器也會遭遇同樣的挑戰。設想一下，有個機器人它的硬體出現了故障，那麼它也就需要學習去用一種新的方法來獲取資訊。假如它的學習速率過低，它就可能面臨缺乏調整演算法的靈活性。如果機器受損程度嚴重，那麼它甚至還可能得調整自己的目標。假如它不能很好地適應諸如此類的新狀況，那麼它也許就會停止嘗試。
想要修好一個得了“抑鬱”的人工智慧並不難，程式設計師只需增加它的學習率即可。但這樣來想，假如一個人工智慧被送到以光年計位的其它星系中，那它就只能考它自己來設定自己的學習率了，這種情況就很有可能會出問題。有人也許會提出解決這個問題的方案就是儘可能得讓人工智慧保持高水平的靈活性，但要知道，擁有高水平的靈活性也未必就是件好事。學習率過高的人工智慧會更傾向於遺忘掉以有的知識經驗，因此無法實現學習成果的積累。若是目標過太靈活，人工智慧也會變得無所顧忌，造成頻繁因新鮮事物無法集中注意力的後果。
人腦和人工智慧一樣，兩者都有著關鍵的全域性變數，在計算精神病學家那這被稱為“神經調節物”。這些“神經調節物”的範圍就包括了多巴胺和5-羥色胺（又叫血清素）。雖然這些高度集權的細胞群的數量並不多，但它們卻有著能將化學資訊傳送給整個大腦的能力。
在我們的實驗研究以及其它相關的系列研究都能證實，我們大腦用來設定學習率的方法與5-羥色胺系統有著密切的關係。在我們的實驗中，我們先是令一隻老鼠成果完成一項有著多個規則限制的任務，然後我們再突然改變完成任務的規則，此時老鼠的血清素神經元就會呈現出劇烈的反應，它們似乎發出了這樣一種驚訝的訊號：“ 哎呀！模式變啦！”小鼠下游腦區的血清素釋放會提高它們大腦的可塑性或是令神經元突觸發生重構，而重構現象在修改神經迴路中過時的模型中尤其明顯。
常見的抗抑鬱藥大多為選擇性血清素再攝取抑制劑（SSRIs），目的是提高抑鬱患者大腦中血清素的利用率。抗抑鬱藥常常被簡單地描述為“幸福藥”，而這項研究就發現，這類藥物主要是透過提高大腦的可塑性來達成抗抑鬱效果的。若進一步的研究驗證真為如此，那麼對抗抑鬱症將會轉而從調整靈活性這方面入手。
如今的人工智慧高度專業化但無自主權，仍處於學習機器的階段。當我們能夠使用更為靈活的“一般人工智慧”時，我們也許就能更好地瞭解它們究竟是如何發生故障的，這就將為了解抑鬱症甚至是精神分裂症等精神疾病上提供極大幫助。
至於人類個體的抑鬱問題，不但當是因為我們在學習上遭遇了困難，更重要的是因為人們因此經歷著不同程度痛苦，所以我們才會這麼願意去關注這種疾病。雖然對於機器來說，即使它們表現出來症狀類似於抑鬱症，它們也可能並不會因此產生任何痛苦，但這並不意味著我們就不能利用它們找尋人腦潛在的出錯原因。