面向人工智能与计算神经科学的动力性智能的脑基础
神经元与认知
2021-05-24 v2 人工智能
摘要
现代人工智能 (AI) 的深度神经网络尚未实现生物智能的决定性特征，包括抽象、因果学习和能量效率。虽然扩展到更大模型已为当前应用带来性能提升，但更类脑的能力可能需要新的理论、模型与方法以设计人工学习系统。在此，我们认为这一重新评估脑洞见的契机应促进 AI 研究与理论驱动的计算 neuroscience (CN) 之间的合作。为激发神经计算的脑基础，我们提出一种智能的动力性观点，并由此阐述网络结构稀疏性、时间动态性与交互式学习的概念。特别地，我们提出时间动态性（通过神经同步、嵌套振荡与柔性序列表达）为读取与更新分布于长期记忆网络中的层级模型提供了丰富的计算层。此外，在 AI 与 CN 中接纳以智能体为中心的范式将加速我们对构建有用世界模型的复杂动态与行为的理解。AI/CN 理论与目标的汇聚将揭示脑与工程化学习系统的智能动力性原理。本文受我们在第6届美国/NIH BRAIN Initiative 研究者会议上关于动力性神经科学与机器学习的研讨会启发。
引用
@article{arxiv.2105.07284,
title = {A brain basis of dynamical intelligence for AI and computational neuroscience},
author = {Joseph D. Monaco and Kanaka Rajan and Grace M. Hwang},
journal= {arXiv preprint arXiv:2105.07284},
year = {2021}
}
备注
Perspective article: 24 pages, 3 figures, 1 display box