可用于AI的大型类脑神经网络实现效仿人脑节能、高效特性

在《自然·机器智能》杂志上发表的一项新研究中，荷兰国家数学与计算机科学研究所科学家展示了类脑神经元如何与新颖的学习方法相结合，能够大规模训练快速节能的尖峰神经网络。潜在的应用包括可穿戴人工智能(AI)、语音识别、增强现实等诸多领域。

这种尖峰神经网络，可在称为神经形态硬件的芯片中实现，有望使AI程序更贴近用户。这一解决方案有利于保护隐私、提高稳健度和响应能力，其应用范围从电器中的语音识别、医疗保健监控、无人机导航，到本地监控设备。

就像标准的人工神经网络一样，尖峰神经网络也需要训练才能流畅地执行这些任务。然而，这种网络通信方式也带来了严峻的训练挑战，因为它们无法与人类大脑的学习能力相提并论:大脑可以很容易地从新体验中完成学习，改变连接，甚至建立新的连接；大脑所需的“范本”很少，但学到的却很多；大脑学习新事物时也非常节能。

为了达到与人类大脑接近的程度，新的在线学习算法可直接从数据中学习，实现更大的峰值神经网络。在研究人员展示中，底层尖峰神经网络SPYv4经过训练，可在阿姆斯特丹一条繁忙的街道上区分骑行者、步行者和汽车，并准确指示它们的位置。

研究人员表示，以前，他们可训练超过10000个神经元的神经网络；现在，对于拥有超过6百万个神经元的网络，他们也能很容易地训练。

有了基于尖峰神经网络的强大AI解决方案，研究人员正在开发能以非常低的功率运行这些人工智能程序的芯片，这些芯片最终将出现在许多智能设备中，如助听器和增强/虚拟现实眼镜。

现代人工神经网络是当前AI革命的支柱，但它们实际上是受到真实生物神经元网络启发的产物。诚然，大脑是目前任何AI也无法比拟的——网络更大、工作起来更节能，并且在被外部事件触发时，能更快地作出反应。如何更贴近真实的大脑？那就是更逼真地效仿生物神经元的工作。科学家们发现，人类神经系统的神经元通过交换电脉冲进行通信，而尖峰神经网络凭借着对这一点的模仿，成为了本研究中特殊类型的神经网络。