記者從中國科學院自動化研究所獲悉，該所李國齊研究員、徐波研究員團隊聯(lián)合清華大學、北京大學等，提出“基于內(nèi)生復雜性”的類腦神經(jīng)元模型構(gòu)建方法，改善傳統(tǒng)模型計算資源消耗問題，為有效利用神經(jīng)科學發(fā)展人工智能提供了示例，相關(guān)研究發(fā)表于《自然·計算科學》。

構(gòu)建更加通用的人工智能，讓模型具有更加廣泛和通用的認知能力，是當前人工智能領(lǐng)域發(fā)展的重要目標。

“目前流行的大模型路徑是基于尺度定律構(gòu)建更大、更深和更寬的神經(jīng)網(wǎng)絡(luò)，可稱之為‘基于外生復雜性’的通用智能實現(xiàn)方法?！崩顕R說，這一路徑面臨著計算資源及能源消耗難以為繼、可解釋性不足等問題。

另外一方面，人類大腦有1000億神經(jīng)元，1000萬億左右的突觸連接，每個神經(jīng)元具有豐富且形態(tài)各異的內(nèi)部結(jié)構(gòu)，但功耗僅20瓦左右。因此借鑒大腦神經(jīng)元動力學特性，向內(nèi)豐富神經(jīng)元結(jié)構(gòu)探索通用智能潛力巨大，這條路徑可稱之為“基于內(nèi)生復雜性”的通用智能實現(xiàn)方法。

李國齊表示，實驗結(jié)果驗證了內(nèi)生復雜性模型在處理復雜任務(wù)時的有效性和可靠性，為將神經(jīng)科學的復雜動力學特性融入人工智能提供新方法和理論支持，也為實際應(yīng)用中的人工智能模型優(yōu)化和性能提升提供可行的解決方案。

目前，研究團隊已開展進一步研究，有望提升大模型計算效率與任務(wù)處理能力，實現(xiàn)在實際應(yīng)用場景中的快速落地。

免責聲明：本文是學習強國轉(zhuǎn)載，版權(quán)歸原作者所有。所以注明轉(zhuǎn)載來源。本文所用視頻、圖片、文字如涉及作品版權(quán)問題，請第一時間告知，我們將立即刪除內(nèi)容！本文內(nèi)容為原作者觀點，并不代表本站贊同其觀點和對其真實性負責。