自主学习的神经机制被揭示

得益于所谓的“深度学习”(deep learning)，机器可以在感知和语言识别方面赶上人类，甚至在某些任务上超过人类。“深度学习”是人工智能(AI)算法的一个子集，灵感来自人脑。但是这些受生物启发的合成系统和我们学习的方式一样吗?

根据第一作者的新篇文章迪奥戈·桑托斯博士从IBEC领导的IBEC综合性感知，情感和认知系统实验室（规格）由IBER教授Paul Verschure，与斯坦福大学的Ivan Soltesz教授合作，的机制这些AI系统的自主学习反映了比以前想到的更紧密的自然。凭借他们的假设和模型，这些科学家们对如何学习和存储回忆的新见解。

在盛名的科学期刊上发表的工作认知科学的趋势，有助于改善人类的记忆缺陷，并有助于构建新型的高级人工记忆系统。

没有老师的学习：

“大脑被认为是一个自主学习系统。”换句话说，它可以在没有外部引导的情况下检测模式并获取新知识。直到最近，人工智能还没有出现这种情况——任何输入到机器学习系统的数据都需要先被标记。

这个所谓的象征接地问题在过去几十年中阻碍了AI的进步。Paul Verschure和同事系统地解决了认知系统自主获取知识或所谓的认识性自治的能力。

“我们解决了两个看似无关但却交织在一起的谜题:大脑的认知自主是基于它设定自我生成学习目标的能力抑制信号在大脑中传播以提高学习能力，”ICREA研究教授和ibc组长Paul Verschure说。

有些人认为，地球上不存在这样的机制生物神经网络。但是，基于来自AI目前实践的考虑组合，计算神经科学在这篇新文章中，作者们指出，自我监督和错误反向传播在大脑中共存，并且涉及到大脑的一个非常特殊的区域:海马体。

学习的电路和解剖学:

海马体，脊椎动物大脑中的一个结构，长期以来被认为在记忆和学习中起着至关重要的作用。但关键问题仍未得到解答:它如何知道该学习什么，何时学习?驱动它的机制是什么?“来自外部环境的信号通过几个脑这篇文章的第一作者，SPECS实验室的博士后研究员Diogo Santos-Pata博士解释道。能够将新信号与它们所触发的记忆进行比较，使海马体能够了解我们环境中的变化;这是Paul Verschure在1993年基于神经具身网络模型做出的预测。

更具体地说，多亏了与斯坦福大学神经生理学家Ivan Soltesz及其团队的密切合作，研究人员发现，海马体包含一个神经元网络，该网络控制神经元信号和信息，与当前人工智能革命背后的人工神经网络的操作方式类似。

“我们的主要发现不仅是海马复合体的电路和解剖学，而且驾驶学习的神经元的类型，并让海马在决定学习时完全自主，”Santos-Pata指出。

“特别有趣的是因为自我监督的机器在误差反应驱动的情况下，目前在人工智能世界中获得了很多牵引力和关注，这是第一次为这项机制提供全面的生物解释的研究，”桑托斯 -Pata。

---

---