你认为大脑总是高效的吗?再想想。
普渡大学神经科学家的研究结果表明，大脑并不像我们想象的那么高效。
为了提高效率，最好是为最终目标而努力。如果设备或网络连接不能显示或传输高分辨率图像，那么流媒体播放高清电影就没有意义了。一个不太花哨的版本不仅可以，而且如果没有块状工件，它将流得更快。
在神经科学中，传递信息效率的一个指标被称为稀疏编码。稀疏编码意味着大脑仅用几个(稀疏的)神经元来传递(编码)基本信息。
心理科学和生物医学工程教授安妮·塞利诺(Anne Sereno)说:“整个领域都基于这样一个假设，即大脑必须像机器一样高效，才能做好工作。”“但我们的研究发现，情况并非总是如此。”
Sereno和她的同事们的这一惊人发现发表在最近的一篇文章中自然通讯生物学文章，“灵长类视觉系统中的伪稀疏神经编码”。
理解和测量稀疏性
为了测量稀疏性，塞利诺和她的团队评估了每个神经元上携带的数据。当相似的数据在许多神经元中出现时，研究小组可以看出这个过程不是稀疏的——它不是有效的。为了达到高度的稀疏性，每个神经元或数据承载单元必须携带或转发一条单独的信息。神经元需要用更少的资源传递更多的信息，避免不同载体之间的数据重叠。
一种被称为相关性的测量方法量化了这种重叠。如果太多的神经元携带相似的信息，相关性就会很高。在大脑中，当机制非常稀疏时，大脑和大脑之间就没有关联神经元。
“我们对许多不同的大脑皮层区域进行了研究，揭示了一些有趣的见解:当大脑似乎在传导时稀疏编码(使用广泛接受的稀疏性测量)，实际上有显著的相关性，”塞利诺说。
在这种情况下，大脑是伪稀疏的，或者不是真正的稀疏。
这些发现颠覆了人们普遍持有的观点，即在设计各种工程应用时，大脑是最有效的模拟机制。与此同时，考虑到这些伪稀疏机制已经经受住了时间的进化过程，也许可以说稀疏性并不总是最好的交付方式信息。详细研究这些伪稀疏机制将有助于科学家了解各种大脑过程及其与疾病和康复的相关性。
设计工程流程
那么，如果大脑并不总是有效的，科学家应该如何设计机器呢?答案是:评估任务，然后选择要模仿的内容。
“确实，在有很多可变性或背景噪音这样大脑就能更好地专注于手头的任务，”塞利诺说。“但在信号干扰很小的情况下，用大脑作为模型可能会导致过度设计。”
作为一个例子，a机械手臂对象中选择并放置对象的方法控制环境不需要担心噪音或信号干扰。它的程序可以简单而高效。另一方面，自动驾驶发生在更复杂的环境中，有更多的可变性和噪音，而大脑在这些环境中表现出色。在这种情况下，依靠大脑获得灵感有利于最终的设计过程。
研究大脑编码的伪稀疏性不仅提供了有价值的见解大脑生物仿生的功能及其在工程中的有效应用。
进一步探索
