uutiset

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Kiinalaiset tutkijat rakentavat uuden aivojen kaltaisen verkon tekoälyn ja neurotieteen yhdistämiseksi

Toimittaja sai tietää Kiinan tiedeakatemian automaatioinstituutista 16. päivänä, että instituutin tutkijaryhmä Li Guoqi ja Xu Bo yhdessä Tsinghuan yliopiston, Pekingin yliopiston jne. kanssa ehdottivat aivomaista neuronimallin rakentamista. "endogeeniseen monimutkaisuuteen perustuva" menetelmä perinteisten mallien laskentaresurssien parantamiseksi Kulutusongelma tarjoaa esimerkin neurotieteen tehokkaasta käytöstä tekoälyn kehittämiseen Aiheeseen liittyvää tutkimusta julkaistiin "Nature·Computational Science".

Yleisemmän tekoälyn rakentaminen sekä laajempien ja yleisempien kognitiivisten kykyjen antaminen malleille ovat tärkeitä tavoitteita tekoälyn alan nykyiselle kehitykselle.

"Tällä hetkellä suosittu laaja mallipolku on rakentaa suurempia, syvempiä ja laajempia neuroverkkoja skaalauslain perusteella, jota voidaan kutsua "eksogeeniseen monimutkaisuuteen perustuvaksi" yleiseksi älykkyyden toteutusmenetelmäksi, Li Guoqi sanoi, että tämä polku kohtaa laskennallisia haasteita kuten kestämätön resurssien ja energian kulutus ja riittämätön selitettävyys.

Toisaalta ihmisaivoissa on 100 miljardia neuronia ja noin 1000 biljoonaa synaptista yhteyttä Jokaisella hermosolulla on rikas ja monipuolinen sisäinen rakenne, mutta virrankulutus on vain noin 20 wattia. Siksi aivohermosolujen dynaamisten ominaisuuksien hyödyntämisellä ja hermosolujen rakenteen rikastamisella yleisen älykkyyden tutkimiseksi on suuri potentiaali. Tätä polkua voidaan kutsua "endogeeniseen monimutkaisuuteen perustuvaksi" yleisen älykkyyden toteutusmenetelmäksi.

Li Guoqi sanoi, että kokeelliset tulokset vahvistivat endogeenisen monimutkaisuusmallin tehokkuuden ja luotettavuuden monimutkaisten tehtävien käsittelyssä, tarjoten uusia menetelmiä ja teoreettista tukea neurotieteen monimutkaisten dynaamisten ominaisuuksien integroimiseksi tekoälyyn sekä tarjoamalla tekoälyä käytännön sovelluksissa mallin optimointi ja suorituskyvyn parantaminen tarjoavat toteuttamiskelpoisia ratkaisuja.

Tällä hetkellä tutkimusryhmässä on tehty lisätutkimuksia, joiden odotetaan parantavan suurten mallien laskentatehokkuutta ja tehtävänkäsittelykykyä sekä saavuttavan nopean toteutuksen käytännön sovellusskenaarioissa.

Uusintapainos: Xinhua News Agency

Lähde: Workers Daily