BrAIn:下一代神经元?

社区文章 发布于2024年6月5日

一场改变游戏规则的出版物?

2023年12月11日对大多数人来说可能是一个普通的日子,但如果你是其中之一,请准备好惊喜:一份突破性的出版物确实在《自然电子》(Nature Electronic)上发表了,它恰好为未来至关重要的一个领域奠定了基础——题目是什么?“用于人工智能的脑类器官储层计算”。

我敢打赌每个人都能或多或少地理解标题背后的想法,但对于那些可能不熟悉大脑背后生物学概念的人来说,有必要介绍一些关键概念。

生物概念

  • 神经元:神经元是大脑的基本组成部分。它们是微小的细胞,有一个称为“胞体”的圆形中心体,所有生物活动都在其中进行;一些输入分支状结构(“树突”),接收来自相邻神经元的信号;以及一根输出线状的“轴突”,生物电信号沿着轴突传导。
  • 突触:正如希腊语词源所强调的,突触是“接触点”:轴突末端确实膨胀成一个“突触小体”,生物电信号之后,神经递质从其中释放。在另一端,有一个树突,尽管没有接触突触小体,但它离得很近,只被“突触间隙”隔开:它接收神经递质,引起生物电反应。
  • 动作电位:神经元通过一种“全或无”的事件传输其生物电信号,称为“动作电位”。动作电位起源于轴突从胞体发出的点,称为“轴突丘”,因为它通过神经膜进行一系列离子交换。当轴突丘达到电压阈值时,神经元就会放电,电信号曲线的形状始终相同:决定感觉、情绪和记忆差异的是放电的“频率”。动作电位沿着轴突传输,被信号超越的区域在短时间内对其他刺激变得不响应,确保动作电位的单向传输(从轴突丘到树突)。
  • 突触可塑性:这种现象包括根据突触的使用程度和效果,在突触上对释放的神经递质数量、受体数量等进行的修改,以增强或减弱突触。
  • 神经可塑性:神经可塑性是大脑神经元重新排列以优化它们对外部刺激响应方式的现象。
  • 类器官:类器官是将活细胞排列成复杂结构,模拟器官功能的生物体。它们用于模拟和实验。

解释突破

现在我们有了所有需要的概念,让我们深入了解第一段中提到的论文中发生了什么,以及该领域正在发生什么。

1. 核心:类器官智能

“类器官智能”(OI)是一个动态且不断发展的生物计算领域,其核心思想是利用人类神经元(排列成脑类器官)的力量,以加速计算、简化训练,并为人工智能算法的运行和任务执行提供一种廉价可靠的人工神经网络替代方案。该领域的最终目标是构建一个“湿件”(与已存在的硬件相对),这一概念在上述论文中被描述为“脑件”(brainoware),借助它我们将能够实现脑机接口并显著提升我们的能力。

2. 发现:语音识别与ANNs比较

在《用于人工智能的脑类器官储层计算》这篇论文中,研究团队构建了一个小型脑类器官,并将其加载到多电极阵列(MAE)芯片上。

该类器官经过训练,识别8个人的240段语音录音,当不同的人说话时,它显示出不同的神经激活模式,并且在识别这些模式时达到了78%的准确率。这听起来可能并不令人惊讶,除非你考虑到训练数据集的大小:240段录音是一个非常小的数据集,而人工智能算法需要数千个示例才能达到类似的准确率。

之后,又进行了一些其他测试,但其中一项非常重要,因为它包含了ONN(类器官神经网络)、带有长短期记忆(LSTM)单元的ANNs和不带LSTM单元的ANNs之间的比较。脑细胞通过脉冲训练了四天(四个“世代”),以解决一个200个数据点的地图。ONN的表现优于不带LSTMs的ANNs,而ANNs+LSTM仅在训练50个世代后才比类器官略微精确,这意味着ONN以90%以上的训练量达到与人工对应物相似的结果。

3. 优点和局限性

类器官智能(OI)具有巨大的优势:

  • 训练时间短、数据量少,即可获得高准确率
  • 我们可以用它来解释大脑的工作原理,并研究阿尔茨海默病等脑退行性疾病
  • 可处理和输出大量数据

尽管前景光明,但我们仍需克服一些障碍:

  • 目前的类器官稳定性不佳,我们需要更耐用和可靠的结构
  • 我们需要将脑机接口调整为更平滑、更生物友好的结构,以便与外部机器无缝连接和调整大脑输入/输出。
  • 我们必须扩展我们的算法和模型,以处理类器官能够管理的大量数据

结论

类器官智能无疑是生物计算领域的前沿,它将彻底改变我们理解甚至思考大脑的方式,解锁我们在学习和形成记忆方面的新颖而意想不到的发现。另一方面,它将提供一个强大的硬件,在小型类脑引擎中捕获巨大的概念、计算和表征能力,从而减少我们新人工智能模型的学习时间和成本。所有这些,显然,都取决于我们投入资源和时间来构建新的类器官、算法和数据设施:BrAIn 的未来近在咫尺,我们只需要付出一些努力就能实现它。

参考文献

社区

注册登录以评论