约翰霍普金斯大学新研究表明，受生物学启发设计的人工智能系统，在未接受任何数据训练前，内部活动模式就已类似人类大脑。这一发现挑战了当前AI发展的主流策略，提示AI的架构设计可能与数据处理量同等重要。

打开网易新闻 查看精彩图片

研究发表于《自然·机器智能》，指出如今AI领域依赖海量数据、数月训练和超大规模计算资源（成本达数千亿美元），但人类仅需少量数据就能学会视觉认知。“进化可能已找到最优设计，类脑架构让AI从起点就占据优势。”（首席作者Mick Bonner，约翰霍普金斯认知科学助理教授）

三种AI架构的对比实验

团队针对三种主流神经网络（Transformer、全连接网络、卷积神经网络）进行调整，生成数十种未训练模型，测试它们对图像的响应，并与人类及非人灵长类动物的脑活动对比。

结果显示：增加Transformer和全连接网络的神经元数量，对活动模式影响极小；但调整卷积神经网络的结构后，其活动模式与人类大脑高度匹配，性能媲美需训练数百万甚至数十亿张图像的传统AI。这证明架构对类脑行为的影响远超此前认知。

更高效的AI发展路径

Bonner表示：“若海量数据是关键，仅靠架构修改不可能实现类脑AI。但我们的研究说明，从正确的类脑蓝图出发，结合生物学洞见，可大幅加速AI学习效率。”

团队正探索受生物学启发的简单学习方法，目标是开发新一代深度学习框架，让AI更快速、高效，减少对海量数据的依赖。