技术:为什么我们的大脑如此嘈杂？对思考方法有惊人重要性

本篇文章2860字，读完约7分钟

只是新新新新新新新新新新新新新新新新北京1，1、海外、中国、“、思考、噪音、我、思考、对我们的想法，惊人的重要。

然而，作为可通信能力、可通信能力、可通信能力，

桃子

很热。 徒手的

还没，还没，还没，电脑，电脑，电脑，关于电脑( ... )，到此为止。 只是，只是，只是，只是，只是，只是，只是，那些输出二神经元给，神经元给，给，给，给，那些二。 但是输入层次。 】。 也重复提供同样的输入，就会得到同样的输出。这和大脑中的情况很不一样。 在大脑中，即使选择完全相同的刺激，每个实验得到的反应也不同。

大脑中这种可变的反应是从哪里来的？

现在有各种各样的假设，比如可能存在不稳定的突触传播。 工程师通常不会在一个系统中构建这样的东西。 如果一个神经元是活动的，信号沿着轴突运行，那么信号实际上不能保证到达下一个神经元。 越过突触的概率可能不到一半。 这给系统带来很多噪音。

另一个因素是大脑其他部分的持续活动。 例如，视觉野通过视觉场景被激活，但也从其他大脑区域接收很多新闻。 大脑的其他部分在任意时刻影响视觉野的活动模式，因此存在很多交叉的连接。 这可以非常显着地调制输入信号。 这样的调制的一部分在生成方案和编码的期待时可能是有用的。 一听到狗吠声，就转身找狗。 大脑反应的一部分多变性实际上很有意义，越来越认识到其中包括重要的背景新闻和状况新闻。

脑内自发活动有什么作用？

没有视觉输入，视觉野也不会沉默。 可以显示出广泛而强烈的活动模式，有时与实际视觉刺激引起的活动一样强，在结构上也有非常相似的可能性。 考虑到这种相似性，自愿活动可能代表视觉想象力。 你看到了什么，除此之外，我在视觉上想起了昨天看到的东西。 自发活动可能是逐次实验中大脑反应变化的原因之一。

你理解脑内噪音的本质吗？

我们在实验中看到的变动真的有意义吗？ 包括还没有理解的消息吗？ 还是由于生化过程的随机性引起的噪音，大脑有必要无视或平衡呢？ 这些问题还有争议。 为了得到更好的持续变动模型，有必要理解这些变动的来源。 比如，我们可以通过注意动物的行为来做这个。 动物解决视觉刺激的神经活动取决于视觉对象是否运动以及是否应该警戒。 如果能记录多个神经元的活动，可以理解有皮质部分的多变性可能是其他部分的活动引起的。 如果能记录大脑大部分区域的活动，就能理解这种多变性。

脑内的噪音真的有用吗？

大脑不完全明确。 也就是说，每次看到同样的事件，大脑的解决方法都略有不同。 这个可能有用。 对同一刺激有一点不同的反应有助于认识场景的不同方面。 但是外部世界有很多与我们无关的细节。 视觉场景可以具有千万的特征，其中多个不重要。 做一点吵闹的反应可能有助于忽视不太相关的特征。 想想进化。 随机突变会导致适者生存。 以此为类比，大脑增加噪音的目的可能是收集外界事物呈现的不同特征。 通过探索潜在表现的范围，大脑可能会试图找到最适合现在状况的特征。 噪音可能促进了这样的搜索。

发育中的大脑什么时候自发活动？

嘻嘻地

蚊子

明明很早就开始了也许这只是只是只是只是只是只是只是只是只是只是只是只是只是这里这里这里这里这里这里这里这里这里这里这里这里这里这里这里这里这里这里这里也只是。 (这里，我的，这里，我的，所有的，这里，这里，。 顺便说一下

只有，第一次，这些，，，这些结构，，，

就是。就是。就是。就是。

还没完，没了，没了，没了，没了，这太多了，这太多了，这太多了，这太多了，这太多了，这太多了，这太多了，这太多了，这太多了。 (尤)还取得了长期的关系。 其中的例如，例如，例如，例如，例如，例如，例如，例如，例如，例如，例如，例如，例如，例如，例如，举例 例如，比如，比如，比如，比如，比如，比如，比如，比如，比如，比如，比如，比如，比如

嗯，关于这样的网络讨论了很多年，但即使是现在，在大脑中也不容易得到好的实验证据。 在足够稳定的条件下，从足够多的细胞中提取的记录和让我们能够直接改变神经活动是很有帮助的。

现在的人工智能与大脑相比怎么样？

深度神经网络是目前许多任务中最好的人工智能，明显受到脑电路的启发。 深度互联网具有神经元，这是分层结构，具有连接的可塑性。 这些也许是可能的，也许不能很好地类比脑内最初解决阶段实际发生的情况，但这在这个行业还有激烈的争论。 但是，现在的人工智能问题之一是具有高度的状况特异性。 你可以在数据集上训练深度神经网络.。 也可以应用于特定的数据集，但如果提供不同的数据集，则无法调整。 这缺乏情况的概念。 情况变化时，人工智能必须以其他形式解读输入信号。 这种灵活性对现在的人工智能是一大挑战。 很明显，大脑在这方面做得很好。

我们怎么处理状况问题？

我们需要从大脑中得到越来越多的灵感。 例如，脑内自发活动的解释之一是可以对情况进行编码。 这可能在人工智能中也有用。 另外，大脑对逐次实验反应的多变性可能包括人工智能需要做什么。 和脑内存在的不稳定的突触传递一样，机器学习有时也用同样的方法不过度匹配。 这是一个感兴趣的方向，我认为其中有越来越值得学习的地方。

你注意到的自愿长途秩序度能为情况如何动态生成提供线索吗？

是的，很有可能出现在发育初期的大脑中(自发的长途旅行秩序度)可以解释为视觉表现(与不同物体之间的关系及其在视觉空间中的分布有关)的神经基础。 解决视觉场景所需的许多东西是对象和我们看到的对象部分之间形成正确的关系，有可能导致长距离的关联性。 这只是推测是因为很难理解这些关联性的功能意义。 但是，在联想到自发的长途旅行秩序度的同时，可以直观合理地推测脑内不同功能模块之间的关联性对场景解决起着某种作用。

深互联网的连接方法和大脑一样吗？

深神经网络受到批评，意味着它们的连接一般是前馈方法，活动从输入层通过一系列中间层到达最终的输出层。 前馈互联网上没有环路.。 在给定的层次中，环形连接( recurrent connection，即神经元之间的连接)不存在或以粗糙的方式建模。 卷积神经网络具有卷积内核，类似于环式连接，但更现实和长距离的连接相对较少。 另外，一般自上而下的连接不会向输入层的方向返回新闻。 没有使用环式连接和自上而下连接的部分理由是因为网络训练变得更困难了。 但是，大脑皮质中自上而下连接较多，环连接占绝大多数。 前馈网络实际上是粗糙度的过度简化，与脑内高度相互连接的网络非常不同。

深度学习互联网能像大脑一样反应刺激吗？

即使在视觉新闻的最初皮层解决阶段，在视觉皮层中，带着眼睛输入新闻的连接依然是所有连接中的小部分，在大脑内部的差异更大。 大部分神经活动是大脑区域之间持续交流的相互作用，输入有时只在这种内部活动中发挥调节作用。 这与深度神经网络中看到的大不相同，后者的神经元基本上只在提供输入时被激活。 因此，无论是解剖结构还是功能特征，大脑的工作方式似乎都与深度神经网络非常不同。 真正被称为“人工智能”的东西之间还有相当大的差距。 (任天)