精確指出神經(jīng)活動如何隨著學(xué)習(xí)而變化不是黑白分明的。最近，一些人認(rèn)為大腦中的學(xué)習(xí)或生物學(xué)習(xí)可以從優(yōu)化的角度來考慮，這就是在計算機或機器人等人工網(wǎng)絡(luò)中學(xué)習(xí)的方式。由卡內(nèi)基梅隆大學(xué)和匹茲堡大學(xué)的研究人員共同撰寫的一篇新觀點文章將機器學(xué)習(xí)與生物學(xué)習(xí)聯(lián)系?起來，表明這兩種方法不可互換，但可以用來為大腦如何工作提供有價值的見解。

“我們?nèi)绾瘟炕覀冊诖竽X中看到的變化以及學(xué)習(xí)過程中受試者行為的變化，”生物醫(yī)學(xué)工程、電氣和計算機工程教授 Byron Yu 說?！笆聦嵶C明，在機器學(xué)習(xí)和人工智能中，有一個完善的框架，可以在其中學(xué)習(xí)一些東西，稱為優(yōu)化。我們和該領(lǐng)域的其他人一直在思考大腦如何與這個框架進(jìn)行比較，這是開發(fā)用于訓(xùn)練人工智能體進(jìn)行學(xué)習(xí)?！?/span>

優(yōu)化觀點表明活動在學(xué)習(xí)過程中，大腦應(yīng)該以數(shù)學(xué)上規(guī)定的方式發(fā)生變化，這類似于人工神經(jīng)元在被訓(xùn)練駕駛機器人或下棋時，其活動如何以特定方式發(fā)生變化。

“我們有興趣了解的一件事是學(xué)習(xí)過程如何隨時間展開，而不僅僅是查看學(xué)習(xí)發(fā)生前后的快照，”最近獲得博士學(xué)位的 Jay Hennig 解釋說。畢業(yè)于卡內(nèi)基梅隆大學(xué)神經(jīng)計算和機器學(xué)習(xí)專業(yè)?！霸谶@篇觀點文章中，我們提供了三個主要的要點，這對于人們在思考為什么神經(jīng)活動可能會在整個學(xué)習(xí)過程中發(fā)生變化的背景下很重要，而這些要點無法用優(yōu)化來輕易解釋?！?/span>

要點包括整個學(xué)習(xí)過程中神經(jīng)可變性的不靈活性，即使在簡單任務(wù)中也使用多個學(xué)習(xí)過程，以及存在與任務(wù)無關(guān)的大型活動變化。

匹茲堡大學(xué)生物工程教授亞倫·巴蒂斯塔 (Aaron Batista) 表示：“從人工學(xué)習(xí)代理的成功例子中汲取靈感，并假設(shè)大腦必須做任何事情，這很誘人。” “然而，人工學(xué)習(xí)系統(tǒng)和生物學(xué)習(xí)系統(tǒng)之間的一個具體區(qū)別是人工系統(tǒng)通常只做一件事，而且做得非常好。大腦中的活動完全不同，許多過程同時發(fā)生。我們和其他人已經(jīng)觀察到大腦中發(fā)生了一些機器學(xué)習(xí)模型尚無法解釋的事情。”

卡內(nèi)基梅隆大學(xué)和神經(jīng)科學(xué)研究所生物醫(yī)學(xué)工程教授 Steve Chase 補充說：“我們看到了一個主題建筑和未來的方向。通過關(guān)注神經(jīng)科學(xué)可以為機器學(xué)習(xí)提供信息的這些領(lǐng)域，反之亦然，我們的目標(biāo)是將它們聯(lián)系起來到優(yōu)化視圖，最終在更深層次上了解學(xué)習(xí)如何在大腦中展開。”

這項工作是與匹茲堡大學(xué)生物工程研究教員 Emily Oby 和 Darby Losey 博士合著的。CMU神經(jīng)計算和機器學(xué)習(xí)專業(yè)的學(xué)生。該小組的工作正在進(jìn)行并與認(rèn)知神經(jīng)基礎(chǔ)中心合作完成，這是卡內(nèi)基梅隆大學(xué)和匹茲堡大學(xué)之間的跨大學(xué)研究和教育計劃，利用每個機構(gòu)的優(yōu)勢來研究導(dǎo)致認(rèn)知和神經(jīng)機制生物智能和行為。