雖然人工智能在一些方面的表現已超越了人類，但這不代表它真的很聰明。相反，很多時候它還“很傻很天真”，仍然需要向人腦“取經”。8月16日，《自然·計算科學》在線發表了一項類腦計算領域的重要進展。借鑒大腦神經元復雜動力學特性，中國科學院自動化研究所李國齊研究員、徐波研究員團隊聯合清華大學、北京大學的科研人員，提出了新型類腦神經元模型構建方法。
“這項研究成果改善了傳統模型向外拓展規模帶來計算資源消耗增大的問題，為有效利用神經科學發展人工智能提供了新案例。”論文共同通訊作者李國齊說。
構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，是當前人工智能領域發展的重要目標。
目前流行的大模型路徑是基于Scaling Law（尺度定律）去構建更大、更深和更寬的神經網絡。這可稱為“基于外生復雜性”的通用智能實現方法。然而，這一路徑如今卻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。
為此，研究團隊通過設計微架構提升計算單元的內生復雜性，從而設計出“基于內生復雜性”的類腦神經元模型。實驗結果驗證了內生復雜性模型在處理復雜任務時的有效性和可靠性。
更重要的是，該模型對計算資源的利用效率更高，同時還顯著減少了內存和計算時間的使用，從而提高了整體的運算效率。
李國齊表示，這項研究為將神經科學的復雜動力學特性融入人工智能，為在人工智能與神經科學之間架起橋梁提供了新的方法和理論支持，還為實際應用中的人工智能模型優化和性能提升提供了可行的解決方案。