科学家表示，“受人脑启发”的新型中国计算架构可以带来通用人工智能

由于一种新颖的计算架构完全重新定义了人工神经元如何形成智能系统，AGI 可能即将出现。

当您通过我们网站上的链接购买时，我们可能会赚取联属佣金。这是它的工作原理。

中国科学家创建了一种新的计算架构，可以训练先进的人工智能（AI）模型，同时消耗更少的计算资源，他们希望有一天它能实现通用人工智能（AGI）。

当今最先进的人工智能模型——主要是 ChatGPT 或 Claude 3 等大型语言模型 (LLM)——使用神经网络。这些是机器学习算法的集合，以类似于人脑的方式分层处理数据，并权衡不同的选项以得出结论。 

法学硕士目前受到限制，因为他们无法超越训练数据的范围执行任务，也无法像人类一样进行推理。然而，AGI 是一个假设的系统，它可以推理、情境化、编辑自己的代码，并理解或学习人类可以完成的任何智力任务。

如今，创建更智能的人工智能系统依赖于构建更大的神经网络。一些科学家认为，如果规模足够大，神经网络可能会导致通用人工智能。但这可能不切实际，因为能源消耗和对计算资源的需求也会随之扩大。

其他研究人员建议需要新颖的架构或不同计算架构的组合来实现未来的 AGI 系统。本着这一精神，8 月 16 日发表在《自然计算科学》杂志上的一项新研究提出了一种受人脑启发的新型计算架构，有望消除扩大神经网络规模的实际问题。

相关：通用人工智能 (AGI) 可能会取代 22 个工作岗位，并可能创造 10 个工作岗位

“人工智能（AI）研究人员目前认为，构建更通用模型问题的主要方法是大人工智能模型，其中现有的神经网络变得更深、更大、更广。我们将其称为具有外部复杂性方法的大模型，”科学家在研究中表示。 “在这项工作中，我们认为还有另一种方法，称为具有内部复杂性的小模型，它可以用来找到将丰富的属性融入神经元的合适路径，以构建更大、更高效的人工智能模型。”

科学家在一份声明中表示，人脑拥有 1000 亿个神经元和近 1000 万亿个突触连接，每个神经元都受益于丰富多样的内部结构。不过，其功耗仅为20瓦左右。

为了模仿这些特性，研究人员使用了一种专注于扩大人工智能架构的“内部复杂性”而不是“外部复杂性”的方法——其想法是，专注于使单个人工神经元变得更复杂将导致更高效、更高效的人工智能系统。强大的系统。

他们构建了一个具有丰富内部复杂性的 Hodgkin-Huxley (HH) 网络，其中每个人工神经元都是一个可以扩展内部复杂性的 HH 模型。 

根据 2022 年的一项研究，Hodgkin-Huxley 是一种模拟神经活动的计算模型，在捕获神经元尖峰（神经元用来相互通信的脉冲）方面显示出最高的准确度。 2021 年的一项研究表明，它非常有可能代表真实神经元的放电模式，因此适合建模旨在复制人类认知过程的深度神经网络架构。

在研究中，科学家们证明了该模型可以高效可靠地处理复杂的任务。他们还表明，基于这种架构的小型模型的性能与更大的传统人工神经元模型一样好。

尽管通用人工智能是一个科学上尚未实现的里程碑，但一些研究人员表示，人类建立第一个这样的模型只需要几年的时间——尽管对于如何实现这一目标存在着相互竞争的愿景。例如，SingularityNET 就提议构建一个超级计算网络，依靠不同架构的分布式网络来训练未来的 AGI 模型。