人工神经网络可以模仿生物神经元，相当于5到8层人工神经网络？

尽管人的大脑好像与电子计算机CPU中的集成ic截然不同，但生物学家对二者的较为早已有较长的历史时间。如同阿德里亚·图灵在1952年说过:“我们对大脑像冷粥一样的稠度不感兴趣。”也就是说，媒介并不重要，关键的是计算水平。

现如今，最强有力的人工智能控制系统应用根据深度学习培训的深度学习方式，该优化的算法经过调节很多的信息掩藏层互相连接的连接点来线性拟合数据信息，这种连接点产生的互联网被称作深度神经网络。说白了，深度神经网络的设计灵感来自于人的大脑中真實的神经网络，这种深度神经网络的结点以实际的神经元为实体模型。依据二十世纪50年代神经系统生物学家对神经元的掌握，那时候一种有竞争力的神经元实体模型被称作感知器，从那以后，大家对单独神经元测算多元性的了解逐步加重，大家掌握到生物神经元比人工神经元更繁杂，可是繁杂的水平多少钱？不知道的。

一个生物神经元能够 和5到8层人工神经网络相匹敌，为了更好地找到答案，耶路撒冷希伯来大学的David Beniaguev, Idan Segev和Michael London练习了一个人工深度神经网络来仿真模拟生物神经元的测算。该研究表明，“一个深度神经网络必须 5到8层互相连接的人工神经元来才可以表明单独生物神经元的多元性。”

Beniaguev都没有想到这类多元性，“我原以为它会更简易，更小。”Beniaguev所言。他原先预估三到四层就足够捕捉模块内实行的测算。

在Google公司旗下的 AI 企业DeepMind 设计方案管理决策优化算法的 Timothy Lillicrap 表明：“新结果显示，很有可能必须再次思索，之前将人的大脑中的神经元与设备学习背景下的神经元开展不准确得非常的旧传统式 。”，他觉得“这篇毕业论文的确有利于大家更仔细地思索这个问题，并弄清楚我们可以在多多方面上开展对比。”

人工神经元和真正神经元中间最主要的共同之处，取决于他们解决键入的消息的方法。这二种神经元都接受键入的数据信号，并依据这种信息内容决策能否将自身的讯号发给别的神经元。人工合成神经元是借助简易的测算来进行决策，但数十年的研究表明，生物神经元的这一环节相对而言更为繁杂。

测算神经系统生物学家应用键入-輸出涵数，仿真模拟生物神经元的长树技(树突)接受到的键入的消息与神经元决策推送数据信号中间的关联。

此项新科研的创作者应用一个人工深度神经网络效仿这一涵数，以确定关系的复杂性。她们最先对耗子的大脑皮质中的神经元的I/O作用实现了规模性仿真模拟，这类神经元的上方和底端都是有不一样的树突支系，被称作圆锥体神经元。随后，她们将仿真模拟結果键入到一个深度神经网络中，该神经网络各层数最多有256个人工神经元，她们不停提升叠加层数，直至在仿真模拟神经元的填写和輸出中间做到ms级99%的准确度。

最终，深度神经网络取得成功地预估了人的大脑神经元的键入-輸出涵数的个人行为，结果显示：深度神经网络最少有5层互相连接的人工“神经元”，但不超过8层。在大部分互联网中，一个生物神经元就等同于大概 1000 个人工神经元。

神经系统专家如今了解，单独神经元的测算多元性，例如左侧的圆锥体神经元，取决于树突状的支系，这种支系会遭受传到数据信号的负电子。在神经元决策是不是推送自身的数据信号“顶峰”以前，会造成 部分工作电压的转变，以神经元的色泽改变来表明，鲜红色表明高电压，深蓝色表明低压。这一“顶峰”发生了三次，如图所示中右边的各支系的运动轨迹所显示，这儿的颜色代表了树突从上(鲜红色)到下(深蓝色)的部位。

——David Beniaguev

贝勒医学院(Baylor College of Medicine)的测算神经系统生物学家安德烈亚斯·托利亚斯(Andreas Tolias)说:“(这一結果)为生物神经元和人工神经元中间架起了梁。”

这一科学研究的在其中一个创作者London对大家指出了警示，他觉得，“人工神经网络中有多少层和网上的多元性中间的影响并不显著，并不是同时的相匹配。”因而，我们不能准确地说，从四层提升到五层会提高是多少多元性。大家也不能说1000 个人工神经元就代表着生物神经元的复杂性正好是人工神经元的 1000 倍。或许，我们可以在每一层中应用加倍的人工神经元，最终能产生仅有一层的深度神经网络来线性拟合一个生物神经元。自然，算法学习很有可能因而需要越来越多的信息和学习时间。

London表示：“大家试着了各种不同深度和不一样单位的构架，但大多数都失败了。”

该科学研究的小编们介绍了她们的编码，以激励别人寻找一个层级越来越少的解决方法。可是结果显示，寻找一个能以99%的准确度仿真模拟生物神经元的深层次神经网络是不容易的。因而，这种创作者们坚信，她们得到的效果的确为进一步的分析带来了有意思的较为。

Lillicrap觉得，这一科学研究结论针对将图像分类互联网与人的大脑联络起來，也许能够 给予一种新方式。图像分类互联网一般必须 50 层之上，假如每一个生物神经元都近似于一个五层人工神经网络，那麼一个有50层的图像分类互联网就等于一个生物互联网中的10个真正神经元。

这一科学研究的小编还期待她们得到的分析結果可以被用以改善 AI 行业现阶段最领先的深度网络结构。

Segev强调，“大家提议，能够试着用一个意味着生物神经元的模块来取代深度神经网络中的简易模块，使其更贴近人的大脑的工作方式。”在这类取代计划方案中，人工智能化科学研究员工和技术工程师能够 插进一个五层深度互联网做为“迷你型互联网”，替代每一个人工神经元。

有提出质疑也是有毫无疑问

但有的人猜疑这一科学研究是不是确实对人工智能化有利。

冷泉港试验室(Cold Spring Harbor Laboratory)的神经学家霍华德·扎多尔(Anthony Zador)说，“我觉得，在这样的比照中能否存在真实的测算优点，或是一个难以解决的难题。”“可是该分析为检测这一点确立了基本。”

除开人工智能化的运用以外，这篇新的毕业论文也加重了大家对树突树和单独生物神经元强劲计算水平的的共识。早在2003年，三位神经系统生物学家就说明，金字塔式神经元的树突树能够 根据将其模型为双层人工神经网络来完成繁杂的数值模拟。在这篇新毕业论文中，创作者分析了金字塔式神经元的那些特点（构造）激起了5到8层深度神经网络的更高多元性。她们得到的理论依据是：密秘来自于树突，及其树突表层接受有机化学太阳龙宝宝的一种特殊蛋白激酶——这一发觉与该行业以前的分析结论一致。

一些人觉得，这一結果代表着神经系统生物学家应当把对单独生物神经元的科学研究放到更主要的部位。

哥伦比亚大学(University of Pennsylvania)的测算神经学家康拉德·科尔丁(Konrad Kording)说：“这篇毕业论文促使大家对树突和单独神经元的思索越来越比之前关键得多。”

也有Lillicrap和Zador，她们觉得关心一个控制回路中的神经元，针对学习培训人的大脑怎么使用单独神经元的测算多元性一样关键。

不管怎样，人工神经网络的分析也许会给予对生物神经元及其人的大脑秘密的新看法。

英国伦敦大学学校(University College London)的测算神经系统生物学家格蕾丝·林赛(Grace Lindsay)说:“从层级、深度和间距的方向思索，此项工作中使我们对测算的多元性拥有更直观的了解。”

殊不知， Lindsay 也提醒说，此项新科学研究依然仅仅在模型拟合开展较为。悲剧的是，现阶段神经系统生物学家不太可能纪录真正神经元的详细键入-輸出作用，因此 有可能有大量生物神经元实体模型沒有捕获的物品。也就是说，真真正正的神经元很有可能更为繁杂。

London表示：“大家不确定性，5到8层是不是真的是最后的極限。”

#人工神经网络#