生物编程语言的新方法

由TU Graz计算机科学家Wolfgang Maass和Robert Legenstein领导的研究人员关于大脑中神经信息处理的新发现可以实现更有效的AI方法。

具体而言，研究人员已成功地对所谓的“组件”之间的出现和相互作用进行了数学建模。这些是大脑中的神经元组，它们构成了更高的认知能力的基础，例如思考、想象、争论、计划或语音处理。

加拿大神经科学家唐纳德·H·赫布（Donald H. Hebb）早在1949年就假定神经元会组成这样的群体，换言之，它们共同作用以编码单个的单词或符号以及整体的“概念”。“但是，装配体的存在仅在最近几年才变得更加巩固，我们的模型基于大脑研究的最新结果，” Maass解释说。

集合体是不断流动的实体，它们不断地自我重组以处理环境刺激，赋予它们象征意义，构造它们并将其转化为知识。这种适应性（也称为可塑性）为大脑提供了克服其有限处理能力并形成“无限”数量模式的能力。

这些结果不仅有助于更好地理解大脑，还可以带来高效的新AI方法，因为它们结合了两种主要AI研究方法的优势：象征性方法和连接主义方法。

符号系统中的算法基于已定义的规则（if / then命令）和逻辑公式，并且通过其抽象能力而具有说服力：即具有对具体事实进行概括并将其应用于一般事实的能力。因此，它们非常适合轻松应用于全新的情况。但是，基于符号的系统必须以复杂的方式进行编程，并且不能像神经网络那样通过大量数据来针对苛刻的应用进行培训。后者由小型的，网络化的和自适应的计算单元组成，这些单元是自组织的，可以在共同工作时快速解决复杂的问题。神经网络的学习能力使连接方法对于当前的AI研究和现代AI应用更具吸引力。但是，神经网络很难处理训练集中没有发生的任务。

现在提出的装配模型旨在将抽象能力与学习能力相结合。勒根斯坦说：“这些是象征性地与它们的程序集一起工作的神经网络。我们使用的范例是人脑，它也将两者结合在一起。”

这项工作还涉及诺丁汉大学，加利福尼亚大学伯克利分校和乔治亚理工学院的研究人员，目前已被部分纳入人类脑计划（HBP），该计划是欧洲范围内的跨学科研究协会，自2015年以来致力于电子重建人脑并模拟其功能。沃尔夫冈·马斯（Wolfgang Maass）及其团队负责“人脑计划”中的“脑部计算原理”工作包。