|
Hebb学习定律根据神经元连接间的激活水平而改变权值，是一个无监督学习规则，使网络能够提取训练的统计特性，把输入信息按照发生的几率划分为不同权重的类型进行判断处理。而AlphaGo的深度学习神经网络正是采用这一原理，当机器进行反复的训练后，可以对落子的位置形成一定的优先级筛选，从而跳过某些落子概率很低的位置运算，而不需要对所有可能的位置进行运算，极大地提高了机器的运算效率。 虽然神经科学家可以骄傲地认为，神经科学研究成果和理论为人工智能的里程碑发展作出了重要贡献，但我们对大脑的工作原理的了解，尤其是在神经网络水平上的活动规律和意义的了解，仍然非常有限。而正是神经网络活动的机理才是我们理解大脑产生高级功能的关键环节。 近年来一些关键研究技术的快速发展，使脑科学研究，尤其是在神经网络水平的解析，面临着重大突破的机遇。基于脑科学研究的前沿性、学科交叉性及实际应用的重要意义，这些重大突破必将在科学、经济、社会和军事等领域产生重要影响，因此各发达国家都先后启动了大型的脑研究计划。在我国的“十三五”规划中，“脑科学与类脑研究”被列入六个“科技创新2030重大项目”之一，使中国神经科学家充满了期待，希望能在国际脑科学研究领域作出自己特有的重要贡献。 一个有意思的问题是，既然人工智能利用简单的神经网络原理在某些规则明确的单一性能的智力（如棋类比赛）方面已经超过了人脑，我们是否可以通过对计算机神经网络产生人工智能的机理来反推大脑的神经网络的工作机理？目前看来，答案是否定的。因为计算机神经网络的具体运算过程也是难以捉摸的，实际上它更像是一个黑箱系统，它的运算过程和抉择完全是根据它的学习经验而进行的，我们无法了解具体过程并对其进行控制。但可以预见的是，人工智能的发展必将为脑功能研究，尤其是在解析神经网络时所遇到的大数据的解析和运算提供强有力的工具。 （作者系中国科学院院士，浙江大学教授，中国神经科学会理事长） (责任编辑：admin) |