借鉴人脑结构，新型AI网络实现性能突破

借鉴人脑结构，新型AI网络实现性能突破

近年来，人工智能（AI）与神经科学的交叉研究不断深入，为我们揭示了大脑与机器之间神秘的联系。通过研究大脑的神经网络结构和功能机制，科学家们正在设计更先进的深度学习算法和人工神经网络，以模拟人类智能。这种跨学科的合作不仅推动了技术的发展，还引发了关于智能本质的深刻思考。

今年4月，麻省理工学院的Max Tegmark团队发布了一种崭新的深度学习网络结构——Kolmogorov-Arnold Network（简称KAN），这一突破性研究迅速引起轰动。KAN基于20世纪中叶的一个数学概念，能够以更透明的方式完成常规神经网络的工作。

传统的神经网络依赖于多层感知器（MLP），通过调整边的权重来优化输出。而KAN不依赖具有数值权重的边，而是使用函数。这些边缘函数是非线性的，可以表示更复杂的曲线，同时也更易于解释。约翰·霍普金斯大学的计算机科学家Alan Yuille评价道：“KANs更易于解释，可能特别适用于科学应用，在这些应用中它们可以从数据中提取科学规则。”

微软亚洲研究院研究员韩东起及其团队从大脑神经回路结构中获得灵感，提出了一种新型神经网络——CircuitNet。人脑神经元连接具有局部密集和全局稀疏的特点，即相邻的神经元在同一个神经核团内紧密连接，而在不同脑区之间则稀疏连接。CircuitNet正是借鉴了这一特点，能够以更少的参数实现更好的性能。

韩东起表示：“作为一种更加节能、高效的神经网络架构，CircuitNet能够以更少的参数取得更好的性能。据估算，人脑的平均功耗仅不到20瓦，而人工智能大模型如GPT-4的功耗却高达数百上千瓦。未来，我们将在CircuitNet的基础上，继续探索人脑节能的奥秘。”

AI与人类智能不是对立关系，而是相互增强的伙伴关系。AI在效率提升、数据分析等方面展现出优势，但仍面临技术透明性不足、技能转型困难等挑战。未来，AI将从单纯的工具转变为人类的工作伙伴，实现更深层次的协作。

微软亚洲研究院的研究员们通过研究人类的习惯性行为和目标导向性行为，为认知科学和心理学研究提供了支持。同时，通过对这两种行为的研究，他们也能够从中汲取灵感，进而设计新的人工智能算法。韩东起说：“我们团队用深度学习和机器学习理论进行建模，来探究两种行为的特性和神经机制，为认知科学和心理学研究提供了支持。”

AI与人类智能的协同发展是未来的重要趋势。通过借鉴人脑的结构和功能，AI系统将变得更加智能和高效；同时，AI也将成为人类探索未知、实现创新的重要工具。正如韩东起所说：“人工智能与脑科学之间有着千丝万缕的联系，它们都是在探索智能的本质和运行机制，两者有许多共同的问题和挑战，同时也可以相互借鉴、启发。”

随着技术的不断进步，我们有理由相信，AI与人类智能将实现更深层次的融合，共同开创一个更加智能、高效、和谐的未来。