【新智元导读】一贯以来，神经网络可以让我们理解我们的大脑，就像我们利用我们对大脑的理解来开拓新的神经网络一样。
近日，有研究团队创造了诡异的征象：在识别三维图形方面，大脑和AI竟存在惊人的相似！

在人脑中，视觉信息穿过多个皮质，每个皮质都阐明图像的不同方面，终极将我们对周围天下的感知拼凑在一起。

长久以来，人工智能与人脑之间都有着十分奇妙的联系。

最近，在揭橥于《当前生物学》杂志上的一项新研究更令人不寒而栗，在此过程的早期就对3D形状的各个方面（例如凹凸和球形）进行理解释。

而且，事实证明，同样的事情也发生在人工神经网络中。

「幽灵般的通信」：大脑与Alexnet对图像反应模式的相似

人工智能面临的长期寻衅之一是copy人类视觉。
基于为游戏开拓的高容量GPU和互联网上海量图像和***供应的大规模演习集，像AlexNet这样的深(多层)网络在物体识别方面取得了重大进展。

Connor和他的团队对自然神经元和人工神经元的图像反应进行了相同的测试，结果令人 「不寒而栗」：V4和AlexNet第3层的图像反应模式非常相似。

惊悚x2！
人脑与电脑或趋同进化

神经网络是一种明确模拟大脑的人工智能架构，它以相似的办法阐明信息，这并不令人吃惊。

在看到算法AlexNet之后，科学家们惊呆了：AI与大脑读图像的办法竟是如此相同。

在物体视觉的开始阶段，大脑就能探测到三维形状，如突出、空洞、轴状、球体。
这是一种新创造的自然智能策略，约翰霍普金斯大学的研究职员也在演习识别视觉物体的人工智能网络中创造了这种策略。

这个研究紧张集中在V4区域。

过去40年来，人们一贯将研究的重点放在「V4区域的神经元如何呈现二维形状」，《当代生物学》上的新论文详细描述了该区域是如何呈现三维形状碎片的。

随后，约翰霍普金斯大学的研究职员在高等打算机视觉网络AlexNet的早期阶段(第3层)中创造了人工神经元险些相同的反应。

在自然和人工视觉中，早期创造3-D形状可能有助于阐明真实天下中的实体3-D物体。

约翰霍普金斯大学神经学家、研究作者埃德·康纳(Ed Connor)在一份***稿中提到了一种分外的视觉皮层，他说：「早在V4时期，我就很惊异地看到了3D形状强烈而清晰的旗子暗记，但我永久也想不到，你会在AlexNet上看到同样的事情发生，它只被演习成将2D照片转换为物体标签。
」

AlexNet是什么？

AlexNet是2012年ImageNet竞赛冠军得到者Hinton和他的学生Alex Krizhevsky设计的。

也是在那年之后，更多的更深的神经网络被提出，比如精良的vgg,GoogLeNet。
这对付传统的机器学习分类算法而言，已经相称的出色。

实际上，AlexNet便是基于大脑中的多级视觉网络设计的。
研究团队不雅观察到的相似之处，很可能预示着自然智能和人工智能之间的干系性，这也是对未来利用AI的一种主要启迪。

人脑与电脑的「近亲」早已起源

当然，人脑与电脑的相似早就被热议。

除了打算机硬件与人脑之间的明显类比和差异（例如，打算机的RAM与大脑的事情影象之间，打算机的硬盘驱动器与大脑的长期影象之间），常日，还认为两者彼此相似。

数字与仿照

绝大多数打算机都是数字打算机，这意味着它们利用只有两个可能的离散状态的二进制系统实行操作：「开」和「关」，或者，如果您乐意，还可以选择「0」和「 1」。

例如，以老式黑胶唱片上利用的仿照编码形式，音乐信息以凹槽轮廓的连续变革记录，并且在回放录音时不可避免地会听到轻微的缺点。
相反，数字编码可供应更高的保真度，由于它会自动肃清所有这些缺点，除非它们足够大，可以用1代替0。

那么，人脑是作为仿照系统还是数字系统运行？答案是「both」。

一方面，神经元通报或不通报动作电位。
这是一个「全有或全无」的过程，从这个意义上说，大脑以数字办法运行。
但是神经元通报动作电位的频率可以连续变革，因此也具有仿照系统的这种特性。

在另一种意义上，神经元也类似地事情。
每个神经元在突触与其树突之间不断地从其他神经元吸收大量神经冲动（动作电位）。

串行并行

大多数打算机都非常快速地处理信息，但是它们因此串行办法进行的：所有信息都由一个中心处理单元（CPU）处理，该中心处理单元一个接一个地实行操作。
但是，CPU还可以通过将其各种任务细分为子任务并在它们之间快速交替来仿照并行处理。

大脑的神经元比打算机的集成电路慢得多。

但是大脑的力量来自于它是实行大规模并行处理的机器。
大脑没有CPU。
相反，它具有数百万个同时合并旗子暗记的神经元。
在任何给定时间，大脑的许多大型专业区域并走运行以实行各种任务，例如处理视觉或听觉信息或操持动作。
纵然在这些区域中的每个区域中，信息也会通过没有主要序列构造的神经网络流动。

但是，就像打算机是可以仿照并行处理的串行系统一样，大脑也可以仿照串行操作（例如，处理口语和书面措辞）的并行系统。

确定性与非确定性

从给定输入的意义上说，打算机是确定性机器，它们将始终产生相同的输出。

但这并不虞味着该输出总是可预测的。
例如，打算机可以通过引入伪随机变量来仿照非确定性系统。
打算机还可以运用来自混沌物理学的方程，个中确定性过程的结果可能会受到初始条件中眇小变革的极大影响。

全体大脑被认为是非确定性系统，缘故原由很大略：一个时候到下一个时候永久不会完备相同。

它不断地形成新的突触，并根据其用法来增强或削弱现有的突触。
因此，给定的输入将永久不会产生完备相同的输出两次。
但是，脑活动的生理化学过程被认为是确定性的。

「人工网络是目前研究大脑最有希望的模型。
相反，大脑是使人工智能靠近自然智能的最佳策略来源。
」Connor说。

神经网络可以让我们理解我们的大脑，就像我们利用我们对大脑的理解来开拓新的神经网络一样。

对这个不寒而栗的，外国网友们议论纷纭。

「我有点开始认为，我们并不真正理解智能意识是什么。
大概所有形式的智能都只是自我意识的不同表达，没有一种智能真的比另一种更好或更强大。
」

但有人却认为这没什么大惊小怪的：「我对此不太确定，但我认为卷积神经网络（AlexNet）在某种程度上是通过模拟人眼的事情办法来实现的（当然，除了参数数量的大量减少之外）。
诸如本文和DeepDream之类的一些先前事情已经证明了神经网络与我们的大脑和认知有多么相似。
因此，这对我来说并不是真的那么令人惊异和胆怯。
」

这个「不寒而栗」，让你怕了吗？

参考链接：

https://en.wikipedia.org/wiki/Visual_cortex

https://techxplore.com/news/2020-10-spooky-similarity-brains.html