斯坦福大学开发新型AI算法，首次成功模拟大脑视觉系统
斯坦福大学开发新型AI算法，首次成功模拟大脑视觉系统
近日，斯坦福大学吴蔡神经科学研究所的研究团队在人工智能领域取得重大突破，他们开发出一种新型人工智能算法——地形深度人工神经网络（Topographic Deep Artificial Neural Network，简称TDANN），成功模拟了人类大脑视觉系统的多个方面。这一研究成果已于5月10日发表在权威期刊《神经元》杂志上。
TDANN的核心创新在于其独特的空间约束机制。与传统神经网络不同，TDANN将虚拟神经元排列在二维“皮质片”上，并要求附近的神经元对感官输入有相似的反应。这种设计使得模型能够复制大脑中复杂的神经元组织方式，包括初级视觉皮层中的风车结构以及高级视觉皮层中对面部或地点等类别作出反应的神经元簇。
研究团队使用了自监督学习方法来训练模型，这种方法可能更接近婴儿学习视觉世界的方式。论文第一作者Eshed Margalit博士表示：“这可能更像婴儿学习视觉世界的方式，我们认为最初并没有预料到它会对训练模型的准确性产生如此大的影响。”
这项研究的意义不仅限于人工智能领域，它还为神经科学和医疗保健带来了新的可能性。TDANN模型可以帮助研究人员更好地理解大脑如何组织自身的规则，无论是视觉还是其他感官系统。这种创新方法对神经科学和人工智能都有重要意义。对于神经科学家来说，TDANN提供了一个研究视觉皮层如何发育和运作的新视角，有可能改变神经系统疾病的治疗方法。对于人工智能来说，从大脑组织中获得的见解可以带来更复杂的视觉处理系统，类似于教计算机像人类一样“看”。
此外，这项研究还揭示了人类大脑高效运作的奥秘。人类大脑仅用20瓦的功率就可以完成数十亿次数学运算，而超级计算机则需要多一百万倍的能量才能完成同样的计算。这种能量效率的差异表明，神经元图谱及其空间约束机制可能是设计更高效人工系统的关键。
未来，这种虚拟神经科学实验还可以促进人类医疗保健的发展。例如，更好地训练人工视觉系统可以帮助开发视觉假肢，或者准确模拟疾病和伤害如何影响大脑的各个部分。正如斯坦福大学心理学教授Grill-Spector所说：“如果你能做一些事情，比如做出预测，这将有助于为失明的人开发假肢设备，我认为这将是一件了不起的事情。”
这项研究历时七年，展示了跨学科研究在推动科学进步中的重要作用。通过将人工智能与神经科学相结合，研究团队不仅为我们理解大脑如何处理视觉信息提供了新的视角，还为开发更高效、更智能的AI系统开辟了新的途径。