約翰·霍普金斯大學的新研究表明，採用生物學啟發設計構建的人工智能係統在接受任何數據訓練之前就可以開始類似於人腦的工作方式。研究表明人工智能架構可能同樣重要。與處理的數據量
研究結果發表於 自然機器智能挑戰人工智能開發的主導策略，而不是依賴數月的訓練。龐大的數據集和巨大的處理能力研究強調了從類腦架構基礎開始的價值。
重新思考人工智能的重數據方法
“人工智能領域目前的發展方式是向模型投入大量數據，並創建小鎮大小的計算資源。這將花費數千億美元。與此同時，人類已經學會了很少使用數據，”主要作者、約翰·霍普金斯大學認知科學助理教授米克·邦納 (Mick Bonner) 說。 “進化可能有充分的理由趨向於這種設計。我們的工作表明，設計更像大腦的架構可以為人工智能係統提供一個非常有利的起點。”
邦納和他的同事們的目標是測試架構是否能夠單獨為人工智能係統提供一個更像人類的起點。不依靠大規模培訓？
流行AI架構對比
研究團隊專注於設計現代人工智能係統中常用的三種主要類型的神經網絡：自動駕駛儀；全連接網絡和卷積神經網絡
他們迭代地修改這些設計以創建數十種不同的神經網絡。事先沒有訓練任何模型。然後，研究人員向未經訓練的系統展示了物體、人和動物的圖像，並將內部活動與人類和非人類靈長類動物觀看相同圖像時的大腦反應進行了比較。
為什麼卷積網絡因此脫穎而出。
增加自動駕駛儀和全連接網絡中人工神經元的數量幾乎不會產生有意義的變化。卷積相似性產生的活動模式更類似於人腦中看到的活動模式。
研究人員表示，卷積模型這些未經訓練的人工智能係統的性能與通常暴露於數百萬或數十億張圖像的傳統人工智能係統相當。研究結果表明，建築在塑造類腦行為方面發揮的作用比之前認為的更大。
通往更智能人工智能的更快途徑
“如果大數據訓練確實是一個關鍵因素，那麼很可能無法僅通過架構修改來實現類腦人工智能係統，”邦納說。 “這意味著從正確的藍圖開始。也許通過結合生物學的其他見解，我們也許能夠大大加速人工智能係統的學習。”
該團隊目前正在探索簡單的學習方法。受到生物學的啟發這可能會催生新一代的深度學習框架。這可能會讓AI系統更快、更高效。並減少對大數據集的依賴。
