让计算机像人类一样“思考”是人工智能的圣杯，但是人类的大脑却是很难遵循的行为。人脑是将以前学到的知识应用于新情况并不断完善所学知识的大师。这种自适应能力很难在机器上复制。

现在，Salk研究人员已经使用大脑活动的计算模型来比以往更准确地模拟此过程。新模型模仿了大脑的前额叶皮层如何利用一种称为“门控”的现象来控制神经元不同区域之间的信息流。它不仅为人脑提供了照明，而且还可以为新的人工智能程序的设计提供信息。

Salk计算神经生物学实验室负责人，该论文的资深作者Terrence Sejnowski说：“如果我们能够将该模型扩展到更复杂的人工智能系统中，它可能会使这些系统更快地学习事物或找到解决问题的新方法。这项新工作于2020年11月24日在美国国家科学院院刊上发表。

人类和其他哺乳动物的大脑以快速处理刺激(例如视力和声音)并将任何新信息整合到大脑已经知道的事物中的能力而闻名。长期以来，这种将知识应用于新情况并持续学习的灵活性一直是研究人员设计机器学习程序或人工大脑的目标。从历史上看，当一台机器被教成可以完成一项任务时，机器很难学习如何使这些知识适应类似的任务。取而代之的是，每个相关过程都必须单独教授。

在当前的研究中，Sejnowski的小组设计了一个新的计算模型框架，以复制前额叶皮层(负责决策和工作记忆的大脑区域)中的神经元在认知测试(称为威斯康星卡片分类测试)中的行为。在此任务中，参与者必须按颜色，符号或数字对卡片进行排序-并随着卡片排序规则的变化不断调整答案。该测试在临床上用于诊断痴呆症和精神疾病，但也被人工智能研究人员用来评估他们的大脑计算模型可以复制人类行为的程度。

前额叶皮层的先前模型在此任务上表现不佳。然而，Sejnowski团队的框架整合了神经元如何通过门控来控制整个前额皮质的信息流，将不同的信息委派给网络的不同子区域。人们认为，门控在小规模上很重要-在控制相似单元的小集群内的信息流方面-但这一想法从未通过整个网络集成到模型中。

新的网络不仅在威斯康星州卡片分类任务中表现得像人类一样可靠，而且还模仿了某些患者中看到的错误。移除模型的各个部分后，系统显示出与前额叶皮质损害患者(如外伤或痴呆症所致)相同的错误。

我认为其中最令人兴奋的部分是，使用这种建模框架，我们对大脑的组织方式有了更好的了解。这对于机器学习和对影响前额叶皮层的某些疾病的更好理解都具有意义。”

本Tsu田(Salk研究生，第一作者)

他补充说，如果研究人员对前额叶皮层区域如何协同工作有更好的了解，这将有助于指导治疗脑损伤的干预措施。例如，它可以建议需要深层脑刺激的区域。

研究合著者Salk's Systems教授凯·提(Ka​​y Tye)表示：“当您思考大脑仍然超越先进的深度学习网络的方式时，其中一种方式便是具有不同规则的任务的通用性和通用性。神经生物学实验室和Wylie Vale主席。“在这项新工作中，我们展示了信息门控如何为我们的新的和改进的前额叶皮层模型提供动力。”

接下来，该团队希望扩大网络规模，以执行比卡片分类测试更复杂的任务，并确定在所有情况下网络范围的门控是否都能为人造前额叶皮层提供更好的工作记忆。如果新方法在广泛的学习场景下可行，他们怀疑这将导致改进的人工智能系统更适合新情况。