用人工神经网络探讨生物认知演化中的重大转折

演化过渡理论强调少数改变对塑造可演化性及其对派生后裔产生深远影响。近期，有学者提出认知可能通过一系列重大转折演化，这些转折改变了生物神经网络的结构，从根本上改变了信息流动方式。我们使用理想化的信息流模型，人工神经网络（ANNs），来评估网络中信息流动方式的变化是否能导致认知性能的转折性变化。我们比较了具有前馈、循环和层状拓扑的网络，并测试了它们学习不同复杂度的人工语法的能力，在控制网络规模和资源的前提下。我们记录了循环网络相对于前馈网络在可处理输入类型上的定性扩张，以及在学习最复杂语法方面的相关定性性能提升。我们还注意到，循环网络的训练困难构成了一种转折障碍和偶然不可逆性——这是演化转折的关键特征之一。并非所有网络拓扑结构的变更在该任务集中都能带来性能优势。层状网络在语法学习中未超过非层状网络。总体而言，我们的发现表明，信息流动的某些变化即可导致认知性能的转折。