美國《發現》月刊網站1月14日發表題為《人工智能和人腦：它們有多相似?》的文章，作者是埃夫麗·赫特，文章編譯如下：

　　布賴恩·克里斯蒂安在其2020年出版的《校準問題：機器學習與人類價值觀》一書的序言中講述了人工智能神經網絡概念的開端。

　　人們已經知道神經元會因為一個激活閾值而放電或不放電。克里斯蒂安解釋說：“如果對神經元的輸入總和超過這個激活閾值，那么神經元就會放電;否則，它就不會放電。”

　　人工智能是受人腦啟發的，但它到底有多像人腦呢?深度學習和人造神經網絡方面的先驅約舒亞·本希奧謹慎指出，人工智能是對大腦中正在發生的事情的模仿，而不是復制。

　　蒙特利爾大學的計算機學教授本希奧說：“很多來自大腦的啟發用到了現在得到使用的神經網絡的設計中，但我們建立的系統在許多方面與大腦有很大不同。”他解釋說，首先，最先進的人工智能系統并不使用脈沖，而是使用浮點數。他說：“工程人員不在乎復制大腦中的任何東西。他們只是想做某種能奏效的事情。”

　　但正如克里斯蒂安所指出的，人工神經網絡的運作與生物神經網絡十分相似。在認同這些程序并不完全像大腦的同時，加利福尼亞大學戴維斯分校的神經科學家和計算機科學家蘭德爾·奧賴利說：“神經網絡模型更接近于大腦實際在做的，而不是計算層面的純粹抽象描述。”

　　奧賴利說：“這些模型中的單位正在做一些類似于大腦中真正神經元所做的事情。這不僅僅是一個類比或比喻。在這個層面上確實存在某種共性。”

　　驅動GPT3和ChatGPT等大型語言模型的更新Transformer架構在某些方面甚至比以前的模型更類似于大腦。

　　奧賴利說，這些較新的系統正在映現大腦不同區域如何運轉，而不僅僅是單個神經元在做什么。但這不是直接映現，而是奧賴利所說的“重新組合”或“混合”。

　　大腦有不同的區域，比如海馬體和皮質，每個區域都有不同的計算形式。奧賴利說，Transformer把這兩者融合在了一起。他說：“我認為它就像一種糊狀的大腦。這種糊狀物被散布到網絡的各個部分，并做一些類似海馬體的事情和一些類似皮質的事情。”

　　奧賴利把Transformer之前的通用神經網絡比作大腦參與知覺的后皮質。他解釋說，Transformer到來后，它增加了一些類似于海馬體的功能，他解釋說，海馬體擅長存儲和檢索詳細事實——例如早餐吃了什么或上班的路線。然而，整個人工智能系統并非有一個單獨的海馬體，而是像一個巨大的糊狀海馬體。

　　普通計算機必須通過內存中的地址或某種標簽來查找信息，而神經網絡則可以根據提示自動檢索信息(你吃了什么早餐?)。這就是奧賴利所說的神經網絡的“超能力”。

　　大腦與神經網絡的相似是驚人的，但差異或許是巨大的。奧賴利說，這些模型與人腦的一個不同之處是，它們沒有意識的基本要素。他和在這一領域工作的其他人認為，為了擁有意識，神經元必須進行一次有來有回的對話。

　　他說：“意識的本質是，你對自己大腦的狀態有一定的感知。”做到這一點需要雙向聯結。然而，所有現有模型只有人工智能神經元之間的單向對話。不過，奧賴利正致力于此。他的研究涉及這種雙向聯結。

　　并非所有的機器學習嘗試都基于神經網絡，但最成功的嘗試是這樣的。這可能不該讓人感到意外。在數十億年的時間里，進化找到了創造智力的最佳方式�？死锼沟侔舱f，現在我們正在重新發現并改造那些最佳做法。

　　他說：“事實證明，從生物上獲得最多啟發的模型是表現最好的，這不是偶然，也不純是巧合。”