約翰霍普金斯大學研究：只要小小修改設計，AI 模型會更像大腦
約翰霍普金斯大學最新研究挑戰傳統人工智慧（AI）模型設計觀念，生物啟發結構可能在未經訓練下就能產生類似大腦的活動模式。論文發表於《自然機器智慧》期刊，顯示 AI 模型架構設計可能比耗時且昂貴的深度學習過程更關鍵。
研究主要作者、約翰霍普金斯大學認知科學系助理教授Mick Bonner表示，目前AI趨勢是將大量數據投入模型，並以龐大計算資源運算，需花費數百億美元。然而人類學習只要極少數據就能進行，顯示進化可能已選擇某種有效設計。
Bonner和團隊分析了三種主要網路設計：轉換器（Transformer）、全連接網路（Fully Connected Network）和卷積神經網路（Convolutional Neural Network，CNN）。他們多次修改設計，創建數十個獨特人工神經網路，並將未經訓練AI網路暴露於物體、人物和動物圖像，然後將反應與人類和靈長類大腦活動比較。
研究發現，當轉換器和全連接網路的人工神經元數量增加時，模型變化不大；卷積神經網路類似調整卻能產生更接近大腦活動模式的反應。顯示AI架構學習過程扮演比研究員之前認為更重要的角色。
Bonner指出，如果訓練大量數據真是關鍵，只修改架構就無法達到類似大腦的AI系統。選擇正確設計藍圖，並可能結合生物學等其他見解，AI系統學習速度可能會更快。之後團隊會致力開發基於生物學的簡單學習算法，以推動建立新深度學習框架。
（首圖來源：shutterstock）