人脑如何与人工智能竞争？

尽管大脑的结构相对较浅，层数有限，但运行效率很高，而现代人工智能系统的特点是具有许多层的深层架构。这就提出了一个问题：受大脑启发的浅层架构能否与深层架构的性能相媲美，如果是这样，实现这一点的基本机制是什么？

神经网络学习方法受到大脑功能的启发，但大脑的学习方式和深度学习的运作方式之间存在根本差异。一个关键的区别在于每个使用的层数。

深度学习系统通常有许多层，有时甚至延伸到数百层，这使它们能够有效地学习复杂的分类任务。相比之下，人脑的结构要简单得多，层数要少得多。尽管其结构相对较浅，并且其过程较慢，较嘈杂，但大脑非常擅长有效地处理复杂的分类任务。

大脑浅层学习机制研究

推动新研究的关键问题是大脑高效浅层学习的可能机制——一种使其能够以与深度学习相同的精度执行分类任务的机制。在发表在Physica A上的一篇文章中，以色列巴伊兰大学的研究人员展示了这种浅层学习机制如何与深度学习竞争。

“大脑不是像摩天大楼那样的深层建筑，而是由一个宽阔的浅层建筑组成，更像是一座非常宽的建筑，只有很少的楼层，”Bar-Ilan物理系和Gonda（Goldschmied）多学科脑研究中心的Ido Kanter教授说，他领导了这项研究。

“正确分类对象的能力随着架构的深入和层数的增加而增加。相比之下，大脑的浅层机制表明，更广泛的网络可以更好地对物体进行分类，“本科生罗尼特·格罗斯（Ronit Gross）说，他是这项工作的主要贡献者之一。

“更宽和更高的架构代表了两种互补的机制，”她补充道。然而，模仿大脑动力学实现非常宽的浅层架构需要改变先进 GPU 技术的属性，该技术能够加速深层架构，但在实现宽浅层架构时失败。