生物学编程语言的新方法

德国格拉茨理工大学(TU Graz)计算机科学家沃尔夫冈•马斯(Wolfgang Maass)和罗伯特•勒让斯坦(Robert Legenstein)领导的研究人员在大脑神经信息处理方面的新发现，可能使更有效的人工智能方法成为可能。

具体来说，研究人员已经成功地对所谓的“集合”之间的出现和相互作用进行了数学建模。这些是大脑中的神经元群，它们构成了更高认知能力的基础，比如思考、想象、争论、计划或语言处理。

更好地理解大脑如何工作

加拿大神经科学家Donald H. Hebb早在1949年就假设神经元会形成这样的群体，换句话说，它们共同行动来编码单个的单词或符号，以及整体的“概念”。“然而，组件的存在只是在最近几年变得更加巩固，我们的模型是基于最新的结果大脑研究”,马斯河解释说。

程序集是流动的实体，它们不断地重组自己来处理环境刺激，赋予它们象征意义，构造它们并将它们转化为知识。这种适应性——也称为可塑性——使大脑有能力克服有限的处理能力，形成“无限”数量的模式。

这些研究结果不仅有助于更好地理解大脑，还可能带来高效的新人工智能方法，因为它们结合了两种主要人工智能研究方法的优势:符号方法和连接主义方法。

符号和连接主义信息处理

符号系统中的算法基于已定义的规则(if/then命令)和逻辑公式，并通过其抽象能力而具有说服力:即将一般上下文概括和应用于具体事实的能力。因此，它们最适合于在全新的情况下简单应用。然而，基于符号的系统必须以一种复杂的方式进行编程，不能像使用大量数据那样，为要求苛刻的应用程序进行训练神经网络。后者由小型的、网络化的、自适应的计算单元组成，这些计算单元可以自组织，可以在协同工作时快速解决复杂问题。神经网络的学习能力使得连接主义方法对当前的人工智能研究和现代人工智能应用更具吸引力。然而，神经网络在处理训练集中没有出现的任务时存在困难。

机器的人脑结构

现在提出的装配模型旨在结合抽象能力和学习能力。“这些神经网络通过它们的组件象征性地工作。我们使用的范例是人类的大脑，它也结合了这两者。”

这项研究还包括来自诺丁汉大学、加州大学伯克利分校和佐治亚理工学院的研究人员，人类大脑项目(HBP)是一个欧洲范围内的跨学科研究协会，自2015年以来一直致力于通过电子手段重建人类大脑大脑并模拟其功能。沃尔夫冈·马斯和他的团队负责人脑计划中的大脑计算原理工作包。

---

---