研究人員Terrence Sejnowski、Kay Tye和 Ben Tsuda（左起）。

讓計算機具備人類的“思考能力”是人工智慧的終極目標。然而，人類大腦的運轉機制著實難以效仿——它不僅善於在新環境中活用舊知識，還會不斷完善已經學到的知識體系。機器只能死板學習、執行單一任務，很難複製這種獨特的適應能力，做到“觸類旁通”。科學家們一直希望將知識活用與持續學習引入機器學習和人工大腦研究領域。

eurekalert.org網站當地時間12月16日報道，美國索爾克研究所的科學家利用大腦活動計算模型精確模擬了大腦的適應過程——新模型模擬了大腦前額葉皮質利用“門控”控制不同神經元區域資訊流的現象。該成果不僅為人腦研究打開了新天地，還能夠為更復雜的人工智慧程式設計提供依據。論文作者、計算神經生物學實驗室研究人員Terrence Sejnowski說：“如果我們能夠將這個模型擴充套件用於更復雜的人工智慧系統，也許能讓新系統的智慧化程度大大提升。”《美國國家科學院院刊》報道了相關研究成果。

Sejnowski團隊設計的新計算模型框架複製了前額皮質（大腦中負責決策和記憶的區域）神經元在威斯康辛卡片分類測試（WCST）中的行為。在WCST中，參與者需要按照顏色、符號或數字分類卡片，並隨著分類規則的變化不斷調整自己的答案。WCST測試在臨床上多用於診斷痴呆症和精神疾病，人工智慧研究人員也會用此法評估大腦模型對人類行為的複製程度。此前開發的前額皮質模型在WCST中表現不佳。Sejnowski團隊的框架透過整合神經元門控資訊流，將不同的資訊片段分配到了網路不同亞區域。

新模型不僅在WCST中表現得像人類一樣可靠，還能模擬某些大腦疾病患者出現的錯誤——當模型被部分移除時，系統“症狀”與前額皮質損傷患者相同。“這種模型框架，讓我們對大腦的嚴密組織有了更深入的瞭解。”論文作者Ben Tsuda說，“這對最佳化機器學習和更好地理解影響前額皮質的疾病均有積極意義。”深入認識前額葉皮層各區域的協同工作機制將有助於指導治療腦損傷的干預措施。

Sejnowski團隊希望繼續擴大網路規模，執行比WCST更復雜的任務。如果新方法在廣泛的學習場景下有效，人工智慧距離學會“適應”也就不遠了。

編譯：德克斯特 審稿：西莫 責編：陳之涵

期刊編號：0027-8424

原文連結：https://www.eurekalert.org/pub_releases/2020-12/si-tai121620.php