約翰·霍普金斯大學的新研究表明，採用受生物學啟發的設計構建的人工智能係統甚至在接受任何數據訓練之前就可以開始模仿人類大腦活動。該研究表明，人工智能的結構可能與它處理的數據量一樣重要。
研究結果發表於 大自然的機器智能戰略人工智能開發的主要挑戰。該研究強調了從類腦架構基礎開始的價值，而不是依賴數月的訓練、海量數據集和海量計算能力。
重新思考人工智能的大數據方法
約翰·霍普金斯大學認知科學助理教授米克·邦納（Mick Bonner）表示：“人工智能領域目前的發展方向是向模型投入大量數據，並構建小城市規模的計算資源。這需要花費數千億美元。與此同時，人類使用很少的數據學會了看東西。” “進化可能有充分的理由集中在這種設計上。我們的工作表明，更類似於大腦的架構設計使人工智能係統處於一個非常有利的起點。”
邦納和他的同事旨在測試僅靠架構是否可以在不依賴大規模訓練的情況下為人工智能係統提供更人性化的起點。
比較流行的人工智能架構
研究團隊專注於現代人工智能係統中常用的三種主要神經網絡設計類型：變壓器、全連接網絡和卷積神經網絡。
他們反複調整這些設計，創建了數十種不同的人工神經網絡。這些模型之前都沒有經過訓練。然後，研究人員展示了物體、人和動物的系統圖像，並將它們的內部活動與觀看相同圖像的人類和非人類靈長類動物的大腦反應進行了比較。
為什麼卷積網絡脫穎而出？
增加變壓器和全連接網絡中人工神經元的數量幾乎沒有產生顯著的變化。然而，卷積神經網絡的類似調整導致了與人腦中看到的活動模式一致的活動模式。
研究人員表示，這些未經訓練的捲積模型的性能通常與需要接觸數百萬甚至數万億張圖像的傳統人工智能係統相當。結果表明，建築在塑造類腦行為方面發揮的作用比之前想像的更大。
通往更智能人工智能的更快途徑
邦納說：“如果海量數據的訓練是決定因素，那麼就不應該有一種方法可以僅僅通過改變架構來進入大腦中的人工智能係統。” “這意味著，通過從正確的藍圖開始，也許結合生物學的其他方法，我們將能夠顯著加速人工智能係統的學習。”
該團隊目前正在探索簡單的受生物學啟發的學習方法，這些方法可能會催生新一代深度學習框架，使人工智能係統更快、更高效，並減少對海量數據集的依賴。
