自主学习未覆盖的神经机制

得益于所谓的“深度学习”(deep learning)，机器可以在感知和语言识别方面赶上人类，甚至在某些任务上超过人类。“深度学习”是人工智能(AI)算法的一个子集，灵感来自人脑。但是这些受生物启发的合成系统和我们学习的方式一样吗?

根据第一作者Diogo Santos-Pata博士的一篇新文章，他来自IBEC的合成感知、情感和认知系统实验室(SPECS)，该实验室由ICREA教授Paul Verschure领导，斯坦福大学的Ivan Soltesz教授合作，这些人工智能系统的自主学习机制比我们之前认为的更能反映自然。通过他们的假设和模型，这些科学家为我们如何学习和存储记忆提供了新的见解。

这项研究发表在著名的科学杂志上认知科学趋势，与提高人类的内存缺陷以及建立新的和先进形式的人工记忆系统的内存赤字相关。

没有老师的学习:

“大脑被认为是一个自主学习系统。”换句话说，它可以检测模式并在没有外部指导的情况下获取新知识。直到最近，AI-AI的情况并非如此，任何被馈送到机器学习系统所需的任何数据都需要重音。

在过去的几十年里，这种所谓的符号根植问题阻碍了人工智能的发展。Paul Verschure和他的同事系统地研究了认知系统自主获取知识的能力，或所谓的认知自主。

“我们解决了两个出现不相关的谜语，但被交织在一起：大脑的认识性自治是基于其设置自我产生的学习目标的能力抑制信号通过大脑繁殖，以改善学习，“保罗·普遍，IBEC的研究教授和集团领导者。

有些人假设没有这样的机制生物神经网络。然而，基于对当前人工智能实践的综合考虑，计算神经科学在这篇新文章中，作者们指出，自我监督和错误反向传播在大脑中共存，并且涉及到大脑的一个非常特殊的区域:海马体。

学习的电路和解剖学：

海马，脊椎动物中的结构，长期以来已经被理解为在记忆和学习中发挥至关重要的作用。但关键问题仍未答复：它如何了解什么，何时学习？什么是驾驶这个机制？“来自外部环境的信号通过几个大脑在抵达海马 - Senvers Santos-Pata博士解释说明书博士，Specs Lab的第一个作者解释说明，Specs Lab的第一个作者解释。能够将新信号与他们触发器的内存进行比较，使海马能够实现海马。了解我们环境的变化;基于神经体现的网络模型，1993年的预测Paul Verschure。

更具体地说，并且由于与神经生理学家Ivan Soltesz和他的斯坦福大学团队的密切互动，研究人员表明，海马包含一种神经元网络，其以与底层人工神经网络的操作类似的方式控制神经元信号和信息目前的AI革命。

桑托斯-帕塔指出:“我们的主要发现不仅着眼于海马体的电路和解剖结构，还着眼于驱动学习的神经元类型，并允许海马体完全自主地决定学习什么和什么时候学习。”

桑托斯-帕塔补充说:“这特别有趣，因为由错误反向传播驱动的自我监督机器学习目前在人工智能领域获得了很多关注和关注，而这是第一个为这种机制提供全面生物学解释的研究。”

---

---