量子杂志：“自学式”人工智能逐渐描绘出与大脑相似点

for Biomedical Research）的计数脑部学家弗里德曼·泽克（Friedemann Zenke）知道道。自指派搜索算法本质上是在由此可知表里面成立空白，并要求脑部因特网空缺它们。例如，在所谓的大型语言框架里面，操练搜索算法将向脑部因特网显示句子的在此之前几个词语，要求它计数下一个词语。当采用从互联网上收集的大量译文体系结构同步进行操练时，该框架却是可以全然语言的句法结构，然后展现令人印象深刻的语言战斗能力——而所有的这些行为都从从未借助结构上标有或指派。

计数机耳聋行业也在同步进行类似的文书工作。2021月初，Kaiming He和同事们展示了他们的“红衣则会编解码器”，该编解码器以埃夫吉尔一个团队在2016年发端的技术开发为基础。自指派深造搜索算法随机遮蔽位由此可知，大部分照亮了每幅位由此可知的四分之三。该则会编解码器将从未遮蔽外转换为隐层回应，即还包括有关某类举足轻重数据的被压缩过的微积分回应（对于位由此可知来知道，隐层回应确实是一种微积分描述，其里面包括捕捉位由此可知里面质点的外形等数据）。然后音频将这些回应转换成原始位由此可知。

自指派深造搜索算法将编解码器和音频组合并操练，以将残缺位由此可知完全恢复为原始版本。真实位由此可知和整修位由此可知彼此之间的任何差异都会调谐到子系统里面，帮助子系统深造。该来得更进一步对一组操练位由此可知重复，直到子系统的有误率变得适当高。在一个系统性里面，一个经过操练的红衣则会编解码器顺利完全恢复了一个大部分被照亮了80%的小巴位由此可知，子系统顺利整修了小巴的结构。

“这是一个来得为来得为令人印象深刻的结果。”埃夫吉尔知道。

来得无论如何的搜索算法，这样的子系统成立的隐层回应还包括来得深层数据。例如，该子系统可以深造货车或乌鸦的外形，而不仅仅是它们的由此可知案。埃弗吉尔知道：“从下到上积累知识，这就是自指派深造的基本理念。”不要为了通过科目而临时抱佛脚。

自我指派的脑部

在这样的子系统里面，一些脑部生物学家注意到了脑部深造的调谐方式。麦吉尔大学和魁北克计数机系统研究员员（Mila）的计数脑部生物学家福斯特·马修（Blake Richards）回应：“不可否认，脑部90%的社交活动是自指派深造。”生物脑部被认为是在不断计数，比如知道，一个质点飘移时的从未来位置，或者句子里面的下一个词语，就像一个自指派深造搜索算法试由此可知计数位由此可知或译文粗片里面的间隙一样。脑部也会从自己的有误里面深造，我们脑部的调谐只有一小外来自结构上，基本上是清楚定时的“有误答案”。

计数脑部生物学家福斯特·马修帮助成立了可以十分相似脑部耳聋因特网的计数机系统。

参考有机体和其他灵长类动物的耳聋子系统，这些是所有动物感觉子系统里面被研究员得最好的，但脑部生物学家一直致力于解释为什么它们包括两个分立的路中：腹侧耳聋流，专责定位质点和面部，以及下侧耳聋流，专责处置社会活动（分别是“什么”和“哪里”路中）。

马修和他的一个团队成立了一个自指派框架来寻求答案。他们操练了一种搜索算法，结合两种不同的脑部因特网：第一种称为ResNetCore，用作处置位由此可知；第二种称为递归因特网，可以跟踪一系列无论如何的输入，以计数下一个预期输入。为了操练组合的搜索算法，一个团队从一段片段里面抽取一个序列，比如第10帧开始，让ResNet逐一处置。然后，递归因特网计数第11帧的潜在回应，而不是简单地给定在此之前10帧。自指派深造搜索算法将计数值与实际上值同步进行更为，并指导脑部因特网修正其均值，以优化计数。

马修的一个团队推测，采用常规ResNet操练的计数机系统娴熟某类定位，但不娴熟社会活动分类学。在不改变脑部元总数的情况下，当他们将单个ResNet拆分为两个，用以成立两条路中时，计数机系统将其里面一个用作某类定位，另一个用作社会活动分类学，从而必需像我们的脑部一样实现这些属性的下游分类学。

为了更进一步测试计数机系统，研究员小组向其展示了旧金山艾伦脑科学研究员员（Allen Institute for Brain Science in Seattle）的研究员执法人员此在此之前向血清展示的一组片段。与灵长类动物一样，老鼠的脑部区域专为用作线性位由此可知和社会活动。艾伦的研究员执法人员在动物观看片段时记录了血清耳聋神经纤维的脑部社交活动。

某种程度地，马修的一个团队也推测了计数机系统和活体脑部对片段质子化的相似之处。在操练来得更进一步里面，人工脑部因特网里面的一条路中变得来得比如知道血清脑部的腹侧目标样品区域，而另一条路中则比如知道社会活动集里面的下侧区域。“研究员结果说明，常规途径还不足以很好地计数耳聋，因此我们的耳聋子系统有两条专为的路径。”马修知道。

有机体耳聋子系统的框架也讲述了类似的故事。6月，Meta AI的生物学家让·雷米·金（Jean-Rémi King）领导的一个团队操练了一种原是Wav2Vec 2.0的计数机系统，采用脑部因特网将磁带转换为隐层回应。研究员执法人员隐匿了其里面的一些回应，然后将其输入到另一个称为转换器的脑部因特网组件里面。在操练期间，转换器计数被隐匿的数据。在这个来得更进一步里面，整个计数机系统学会了将感觉转化成为隐层回应——某种程度，不必需页面。金知道，该一个团队采用了据估计600小时的语音由此可知表来操练因特网，“这据估计是一个夫妻俩在出生地后两年内会获取的随之而来”。

让·雷米·金帮助操练的计数机系统，通过十分相似脑部的文书工作方式来处置磁带。

一旦该子系统得到操练，研究员执法人员就用印度语、意大利语和里面文普通话播出有声读物里面的外内容。然后，研究员执法人员将计数机系统的性能与一个还包括412人的由此可知表同步进行了更为。这412人由以上述三种语言之一为语言的人混合成组成，他们在持续性气相成像扫描仪里面对脑部同步进行成像的同时，也听了并不相同的磁带粗片。金知道，尽管持续性气相成像位由此可知灵敏度高且粗糙，但脑部因特网和脑部“不仅互为相关联，而且以子系统的方式互为相关联”：计数机系统初级层的社交活动与初级耳聋神经纤维的社交活动一致，而计数机系统最深层的社交活动与脑部来得高层（在该研究员里面即在此之胸部枝神经纤维）的社交活动一致。“这是来得为漂亮的由此可知表，”马修知道。“这不是结论，但这是另一个令人信服的证据，事实说明，我们深造语言在很大素质上是通过计数接下来要知道的话。”

从未解决的异常疑问

不过这种结论并不是每个人都信服。斯坦福大学的计数脑部学家乔希·麦克德霍尔（Josh McDermott）并用指派深造和自指派深造研究员了耳聋和耳聋感受框架。他的实验室设计了一种合成磁带和片段信号，对有机体来知道，这些信号只是不足以理解的噪音，但在人工脑部因特网里面与真实信号大部分从未能区别于。这说明即使是自指派深造，脑部因特网深层过渡到的回应，也与我们脑部里面的回应不给定。麦克德霍尔知道，这些自指派深造方法有“在某种意义上是一种进步，你不必需任何标有就可以深造支持者多种定位行为的回应。不过这种方法有仍然有许多指派框架的原因”。

搜索算法本身也必需来得多的改进。例如，在Meta AI的Wav2Vec 2.0里面，计数机系统只能计数几十毫秒感觉的隐层回应，这比发出必需在感受上区别于的失真所需的时间还粗，来得不用知道一个词语了。金知道：“要只想让计数机系统像脑部一样文书工作，依然任重而道远。”

真正理解脑部特性，必需的不仅仅是自我指派深造。一总体，脑部带给了调谐连接，而当在此之前的框架大部分从从未这种连接。研究员文书工作的下一步显然是采用自指派深造来操练相对循环的因特网，并准确性这种因特网里面的社交活动与真实的脑部社交活动来得如何。这是一个困难的来得更进一步。另一个关键步骤是将自指派深造框架里面人工脑部元的社交活动与单个生物脑部元的社交活动相给定。“希望在从未来，我们的研究员结果也能通过单细胞记录得到证实。”金知道。

如果这些脑部和自指派深造框架彼此之间被观察到的相似性也等同于于其他感官，则将来得令人吃惊地说明，无论我们的脑部有多大魔力，都必需某种形式的自我指派深造。“如果我们就让在截然不同的子系统彼此之间找到了子系统上的相似之处，这将说明无论如何脑部从从未那么多笔记本电脑的方法有处置数据。”金知道，“大概，这是我们只想要研究员的一种美丽的假设。”

举例来知道：

。

再林阿莫西林
江中儿童健胃消食片
婴儿便秘怎么办
如何养好肠道菌群
宝宝积食怎么办快速缓解