约翰霍普金斯大学的新研究表明，采用生物启发的架构设计的人工智能系统可以在未经过任何数据训练之前模拟人脑活动。

这些发现，刊登在 自然机器智能上，挑战了构建人工智能的传统方法，更强调架构设计的重要性，而不是那些需要数月时间、耗费数十亿美元并消耗数千兆瓦能源的深度学习和训练。

约翰霍普金斯大学认知科学助理教授米克·博纳（Mick Bonner）表示：“目前人工智能领域的发展方式是向模型输入大量数据，并建立相当于小城市规模的计算资源。这需要花费数百亿美元。与此同时，人类使用非常少的数据学习如何看待事物。”他补充道：“进化可能出于某种原因选择了这种设计。我们的研究表明，更像大脑的架构设计让人工智能系统处于一个非常有利的起点。”

博纳和一组科学家专注于三类人工智能开发者常用的网络设计，这些设计常被用作构建人工智能系统的蓝图：变压器、全连接网络和卷积网络。

科学家们反复修改了这三种蓝图或人工智能架构，以构建数十种独特的人工神经网络。然后，他们将这些新的、未经训练的人工智能网络展示给物体、人物和动物的图像，并将模型的反应与人类和灵长类动物在相同图像下的脑活动进行对比。

当通过增加更多的人工神经元来修改变换器和全连接网络时，它们几乎没有什么变化。然而，以类似的方式调整卷积神经网络的架构，则使研究人员能够在人工智能中生成更好地模拟人脑活动模式的活动模式。

研究人员表示，未经过训练的卷积神经网络与传统的人工智能系统相媲美，后者在训练过程中通常会处理数百万或数十亿张图像，这表明架构在其中扮演的角色比研究人员之前所意识到的更重要。

未来人工智能发展的启示

未来人工智能发展的启示

博纳说：“如果在海量数据上训练确实是关键因素，那么仅通过架构修改就不可能实现类脑AI系统。这意味着，通过从正确的蓝图开始，并结合生物学的其他见解，我们或许能够大幅提升人工智能系统的学习。”

接下来，研究人员正在开发简单的学习算法，这些算法是以生物学为模型的，可能会为新的 深度学习框架 提供启示。

更多信息： Atlas Kazemian等人，卷积架构是皮层对齐的全新设计，《自然机器智能》 (2025)。，DOI: 10.1038/s42256-025-01142-3。发表于 bioRxiv： DOI: 10.1101/2024.05.10.593623