AI领域新突破：DD-DC神经元网络模型问世，环境感知能力大幅提升
AI领域新突破：DD-DC神经元网络模型问世，环境感知能力大幅提升
近期，来自Flatiron Institute和印第安纳大学的研究团队在神经网络领域取得重要突破。他们开发了一种名为DD-DC（direct data-driven control）的新型神经元网络模型，该模型能够更好地模拟大脑神经元的运作机制，并展现出更强的环境感知能力。这一发现不仅加深了人们对大脑的理解，还可能为人工智能的发展开辟新的方向。
传统神经网络的局限性
人工神经网络由许多神经元连接形成一个网络结构，当神经元从前一层神经元接收到的总输入超过某个阈值时，它才会将信息传递到下一层。模型在训练时，信息仅单向通过某个神经元，且无法影响神经元从链中较早的神经元接收到的信息。
尽管人工神经网络已经在各领域取得了显著的进步，但受生物神经元固有的可变性限制，目前神经元的参数还难以量化，构建可推广的大脑功能模型仍然是神经科学领域的一项艰巨挑战。
DD-DC模型的创新之处
DD-DC神经元网络模型将神经元建模为周边环境的反馈控制器，避开受控动态系统的显式表示和潜在状态的显式推断，直接将观测结果映射到控制信号。这种设计使得单个神经元对周围环境的控制力比之前想象的更强。
DD-DC神经元网络模型从单个假设开始，为多种先前不相关的神经生理现象提供了解释，每一个解释都只提供间接证据，但它们的多样性可以为DD-DC模型提供支持。
研究发现与未来展望
研究发现，在神经元连接点（突触）处，电信号的传递偶尔会被随机干扰，这种随机性实际上有助于神经元适应不断变化的环境，从而提高它们的性能。更具体地说，在一个神经元与另一个神经元连接的“突触”部分，经常会出现神经元传输电信号但下游耦合神经元未收到消息的情况。下游神经元是否收到、何时接收突触信号，似乎很大程度上取决于偶然性。
研究团队表示，DD-DC神经元网络模型将加深人们对大脑的理解，或许有助于受生物学启发的人工神经网络的发展。尽管这一新模型展示了其优越性，但其计算需求较高，尤其是在大规模神经网络的实际应用中。因此，研究团队建议将其更多地应用于特定领域的深入分析，如视觉环境中的神经元行为研究。
未来的研究将继续探索不同类型神经元的行为，并将这一新模型与其他技术结合，如对抗性训练和强化学习，从而进一步提高AI模型的可靠性和准确性。他们也计划分析不适合这一新模型的神经元类型。例如，视网膜中的神经元接收来自视觉环境的直接输入。这些神经元可能无法像大脑深处的神经元那样控制它们的输入，但可能会使用研究团队发现的一些相同原理。
参考资料：
https://www.pnas.org/doi/10.1073/pnas.2311893121#executive-summary-abstract