約翰霍普金斯大學的最新研究指出，人工智慧（AI）系統若採用受生物學啟發的架構設計，即使未經訓練，也能呈現出與人類大腦相似的活動模式。這項成果挑戰目前 AI 領域普遍依賴大量資料與巨大運算資源的主流觀點，並凸顯神經網路架構的重要性。
研究刊登於《Nature Machine Intelligence》。研究團隊發現，當 AI 系統的設計更接近生物大腦的結構時，卷積神經網路在尚未接觸數百萬張圖像前，就能展現類似人類大腦的反應。而單純增加變壓器（Transformer）或全連接網路中的神經元數量，對效能的提升只有極小影響。
研究主要作者 Mick Bonner 表示，目前多數 AI 模型仰賴龐大資料集與巨大運算資源，動輒耗費數千億美元。但人類視覺學習所需的資料量極少，因此「更像大腦的架構」可能在演化過程中具備特殊優勢，使其成為 AI 系統的更佳起點。
研究團隊比較三種常見網路架構：變壓器、全連接網路與卷積神經網路。他們透過調整設計，打造數十種人工神經網路，並讓未經訓練的系統觀看物體、人物與動物的圖片，再將其內部活動與人類及其他靈長類的神經反應進行比對。
結果顯示，未經訓練的卷積模型與需接觸數百萬甚至數十億圖像的傳統 AI 模型表現相近，顯示架構本身在塑造類腦行為上扮演關鍵角色。
Bonner 認為，如果大量資料真是打造類腦 AI 的必備條件，那麼僅靠調整架構不可能達成類似效果。這項研究暗示，若從正確藍圖出發，再結合其他神經科學洞見，AI 的學習效率有望大幅提升。
（首圖來源：shutterstock）
科技新報粉絲團
加入好友
訂閱免費電子報
