[论文解读] Neural Networks, Artificial Intelligence and the Computational Brain

Martin C. Nwadiugwu|arXiv (Cornell University)|Dec 25, 2020

EEG and Brain-Computer Interfaces参考文献 14被引用 24

一句话总结

本文探讨了人工神经网络（ANNs）作为受生物神经网络启发的计算模型，强调其在通过类脑架构推动人工智能发展方面的作用。它将 ANNs 与传统计算框架进行比较，突出其在异常检测、医学诊断和模式识别中的应用，同时主张类脑智能应作为下一代人工智能系统的基础。

ABSTRACT

In recent years, several studies have provided insight on the functioning of the brain which consists of neurons and form networks via interconnection among them by synapses. Neural networks are formed by interconnected systems of neurons, and are of two types, namely, the Artificial Neural Network (ANNs) and Biological Neural Network (interconnected nerve cells). The ANNs are computationally influenced by human neurons and are used in modelling neural systems. The reasoning foundations of ANNs have been useful in anomaly detection, in areas of medicine such as instant physician, electronic noses, pattern recognition, and modelling biological systems. Advancing research in artificial intelligence using the architecture of the human brain seeks to model systems by studying the brain rather than looking to technology for brain models. This study explores the concept of ANNs as a simulator of the biological neuron, and its area of applications. It also explores why brain-like intelligence is needed and how it differs from computational framework by comparing neural networks to contemporary computers and their modern day implementation.

研究动机与目标

• 探讨人工神经网络（ANNs）与大脑中生物神经网络之间的概念和功能相似性。
• 研究为何类脑智能对于超越传统计算模型的人工智能发展至关重要。
• 比较 ANNs 与传统计算机在信息处理方面的架构和运行差异。
• 评估 ANNs 在医疗保健、模式识别和电子传感等现实领域中的实际应用。
• 通过基于神经系统原理而非技术限制的系统建模，为未来人工智能研究奠定基础。

提出的方法

• 本文采用概念性与比较性分析方法，将 ANNs 建模为生物神经元的模拟，重点关注其通过突触的相互连接。
• 结合近期神经科学研究成果，指导 ANNs 的设计与功能，强调生物学上的合理性。
• 比较 ANNs 与传统数字计算机的信息处理机制，突出其在并行处理与适应性方面的差异。
• 综述 ANNs 在医学（例如：即时医生、电子鼻）、异常检测和生物系统建模中的现有应用。
• 该框架建立在以下前提之上：智能源于联网的、自适应的、相互连接的处理单元——这与神经系统的运作方式相一致。
• 本文采用定性综合神经科学与人工智能文献的方法，以支持类脑人工智能发展的论点。

实验结果

研究问题

• RQ1 人工神经网络如何模拟人类大脑中生物神经网络的结构与功能？
• RQ2 在信息处理方面，人工神经网络与传统计算架构的关键差异是什么？
• RQ3 为何类脑智能被认为对于超越当前技术范式的智能发展至关重要？
• RQ4 人工神经网络在异常检测、医学诊断和模式识别方面以何种方式实现性能提升？
• RQ5 为何以神经网络为模型构建人工智能系统，能够带来更具适应性与生物学合理性的智能？

主要发现

• 人工神经网络在计算上受人类大脑中相互连接的神经元与突触的启发，使其能够建模复杂的神经网络系统。
• ANNs 在异常检测方面表现出色，尤其在医学应用中，如即时医生系统和电子鼻。
• 本文确立了类脑架构在适应性与并行处理方面优于传统数字计算模型的优势。
• 将 ANNs 整合到生物系统建模中，可实现对神经活动与认知功能更精确的模拟。
• 研究结论认为，未来人工智能的发展应优先考虑神经网络架构，而非技术驱动的模型，以实现更稳健且可泛化的智能。
• 该概念框架支持将 ANNs 作为生物神经元的可行模拟器，其在神经科学与人工智能研究中具有广泛适用性。