Otak kembar digital: merapatkan kecerdasan biologi dan kecerdasan buatan
Serangkaian perkembangan terkini dalam sains saraf dan teknologi AI yang diilhamkan oleh struktur otak manusia telah membuka kemungkinan baharu untuk kita menyelesaikan misteri kecerdasan. Kini, pasukan penyelidik yang diketuai oleh Profesor Jiang Tianzi dari Institut Automasi, Akademi Sains China, telah menggariskan komponen dan ciri utama platform inovatif yang dipanggil "Otak Kembar Digital." Platform ini berjanji untuk merapatkan jurang antara kecerdasan biologi dan kecerdasan buatan dan menyediakan penyelesaian baru untuk kedua-dua hujung.
Penyelidikan ini diterbitkan dalam jurnal "Intelligent Computing" pada 22 September.
Persamaan utama antara kecerdasan biologi dan kecerdasan buatan ialah kedua-duanya tergolong dalam struktur rangkaian. Memandangkan otak terdiri daripada rangkaian biologi, penyelidik berharap dapat menggunakan rangkaian buatan untuk membina model digital yang sepadan atau "kembar" otak untuk memasukkan pengetahuan tentang kecerdasan biologi ke dalam model. Matlamat utama langkah ini adalah untuk "menggalakkan pembangunan kecerdasan buatan am dan menggalakkan penjagaan kesihatan mental yang tepat." Dan tidak dinafikan bahawa realisasi matlamat bercita-cita tinggi ini tidak dapat dicapai tanpa usaha bersama saintis dari pelbagai disiplin di seluruh dunia.
Menggunakan otak kembar digital, penyelidik boleh meneroka mekanisme kerja otak manusia dengan mensimulasikan/mengawal otak untuk melaksanakan pelbagai tugas kognitif dalam keadaan berbeza. Contohnya, mereka boleh memodelkan cara otak berfungsi secara normal semasa rehat dan masalah yang mungkin berlaku akibat penyakit, atau merangka cara baharu untuk mengawal aktiviti otak dan membimbingnya keluar daripada keadaan tidak sihat.
Walaupun bunyinya seperti fiksyen sains, otak kembar digital mempunyai asas teori biologi yang kukuh. Ia menyepadukan tiga elemen teras: peta otak yang berfungsi sebagai perancah struktur dan mekanisme kekangan biologi, model saraf pelbagai peringkat yang dilatih pada data biologi untuk mensimulasikan fungsi otak, dan satu siri algoritma yang digunakan untuk menilai dan mengemas kini "kembar" semasa permohonan salinan.
Tiga elemen teras ini dijangka akan terus berkembang dan berinteraksi melalui gelung tertutup. Pemetaan otak dinamik boleh menambah baik model saraf untuk menghasilkan simulasi berfungsi yang lebih realistik. Pada masa lalu, "kembar" yang terdiri daripada model sedemikian telah disahkan dalam pelbagai senario aplikasi praktikal yang sentiasa berkembang, termasuk penemuan biomarker penyakit dan ujian dadah. Aplikasi ini akan memberikan maklum balas berterusan, dengan itu mempertingkatkan peta otak untuk melengkapkan keseluruhan gelung operasi.
Otak biologi mempunyai struktur yang kompleks dan sistem dinamik, jadi adalah perlu untuk mewujudkan peta otak yang sangat terperinci, termasuk peta skala yang berbeza, pelbagai mod, dan juga daripada spesies yang berbeza, untuk memahami logik pembinaan kembar digital . Dengan mengumpul peta yang berkaitan secara menyeluruh, penyelidik boleh meneroka dengan mendalam semua aspek otak, serta hubungan dan interaksi antara kawasan yang berbeza dalam otak, dan akhirnya menyelesaikan misteri prinsip organisasi otak.
Sebaliknya, peta otak juga mewakili kekangan, iaitu model saraf mesti berdasarkan peta untuk mencapai "kebolehpercayaan biologi", yang juga membawa cabaran teknikal.
Pasukan Jiang Tianzi percaya bahawa peta rangkaian otak akan menjadi bahagian penting dalam pembangunan otak kembar digital. Pada tahun 2016, penyelidik dari Institut Automasi Akademi Sains China mengumumkan bahawa peta makro itu merangkumi 246 kawasan otak dan sedang bergerak ke arah "pemetaan meluas dan terperinci" struktur dan ketersambungan otak.
Pada masa yang sama, memandangkan platform simulasi otak yang sedia ada sering kekurangan asas anatomi, penulis percaya bahawa adalah penting untuk mereka bentuk "satu set platform simulasi otak sumber terbuka, cekap, fleksibel, mesra pengguna dan terhad kepada atlas. ". Platform mestilah cukup berkuasa untuk menyokong pemodelan berbilang skala dan pelbagai modal. Sudah tentu, masih terdapat banyak soalan yang belum dijawab untuk diselesaikan, seperti cara menganyam pengetahuan biologi kompleks dengan berkesan ke dalam salinan kembar digital, cara mereka bentuk model simulasi yang lebih baik dan cara mengintegrasikan otak kembar digital ke dalam senario sebenar.
Secara keseluruhannya, otak kembar digital sebegini mewakili integrasi neurosains dan kecerdasan buatan. Dengan menyepadukan peta otak yang kompleks, model saraf dinamik dan pelbagai aplikasi, platform ini berjanji untuk merevolusikan pemahaman kita tentang kecerdasan biologi dan kecerdasan buatan. Dengan usaha bersama saintis di seluruh dunia, otak kembar digital dijangka menggalakkan pembangunan kecerdasan buatan am, merevolusikan perubatan psikologi ketepatan, dan akhirnya membantu kita memahami pemikiran manusia secara menyeluruh, merancang pembangunan teknologi pintar, dan mendapatkan rawatan transformatif untuk penyakit otak membuka jalan ke arah.
Atas ialah kandungan terperinci Otak kembar digital: merapatkan kecerdasan biologi dan kecerdasan buatan. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Tingkatkan produktiviti, kecekapan dan ketepatan pembangun dengan menggabungkan penjanaan dipertingkatkan semula dan memori semantik ke dalam pembantu pengekodan AI. Diterjemah daripada EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, pengarang JanakiramMSV. Walaupun pembantu pengaturcaraan AI asas secara semulajadi membantu, mereka sering gagal memberikan cadangan kod yang paling relevan dan betul kerana mereka bergantung pada pemahaman umum bahasa perisian dan corak penulisan perisian yang paling biasa. Kod yang dijana oleh pembantu pengekodan ini sesuai untuk menyelesaikan masalah yang mereka bertanggungjawab untuk menyelesaikannya, tetapi selalunya tidak mematuhi piawaian pengekodan, konvensyen dan gaya pasukan individu. Ini selalunya menghasilkan cadangan yang perlu diubah suai atau diperhalusi agar kod itu diterima ke dalam aplikasi

Model Bahasa Besar (LLM) dilatih pada pangkalan data teks yang besar, di mana mereka memperoleh sejumlah besar pengetahuan dunia sebenar. Pengetahuan ini dibenamkan ke dalam parameter mereka dan kemudiannya boleh digunakan apabila diperlukan. Pengetahuan tentang model ini "diperbaharui" pada akhir latihan. Pada akhir pra-latihan, model sebenarnya berhenti belajar. Selaraskan atau perhalusi model untuk mempelajari cara memanfaatkan pengetahuan ini dan bertindak balas dengan lebih semula jadi kepada soalan pengguna. Tetapi kadangkala pengetahuan model tidak mencukupi, dan walaupun model boleh mengakses kandungan luaran melalui RAG, ia dianggap berfaedah untuk menyesuaikan model kepada domain baharu melalui penalaan halus. Penalaan halus ini dilakukan menggunakan input daripada anotasi manusia atau ciptaan LLM lain, di mana model menemui pengetahuan dunia sebenar tambahan dan menyepadukannya

Untuk mengetahui lebih lanjut tentang AIGC, sila layari: 51CTOAI.x Komuniti https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou berbeza daripada bank soalan tradisional yang boleh dilihat di mana-mana sahaja di Internet memerlukan pemikiran di luar kotak. Model Bahasa Besar (LLM) semakin penting dalam bidang sains data, kecerdasan buatan generatif (GenAI) dan kecerdasan buatan. Algoritma kompleks ini meningkatkan kemahiran manusia dan memacu kecekapan dan inovasi dalam banyak industri, menjadi kunci kepada syarikat untuk kekal berdaya saing. LLM mempunyai pelbagai aplikasi Ia boleh digunakan dalam bidang seperti pemprosesan bahasa semula jadi, penjanaan teks, pengecaman pertuturan dan sistem pengesyoran. Dengan belajar daripada sejumlah besar data, LLM dapat menjana teks

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Pembelajaran mesin ialah cabang penting kecerdasan buatan yang memberikan komputer keupayaan untuk belajar daripada data dan meningkatkan keupayaan mereka tanpa diprogramkan secara eksplisit. Pembelajaran mesin mempunyai pelbagai aplikasi dalam pelbagai bidang, daripada pengecaman imej dan pemprosesan bahasa semula jadi kepada sistem pengesyoran dan pengesanan penipuan, dan ia mengubah cara hidup kita. Terdapat banyak kaedah dan teori yang berbeza dalam bidang pembelajaran mesin, antaranya lima kaedah yang paling berpengaruh dipanggil "Lima Sekolah Pembelajaran Mesin". Lima sekolah utama ialah sekolah simbolik, sekolah sambungan, sekolah evolusi, sekolah Bayesian dan sekolah analogi. 1. Simbolisme, juga dikenali sebagai simbolisme, menekankan penggunaan simbol untuk penaakulan logik dan ekspresi pengetahuan. Aliran pemikiran ini percaya bahawa pembelajaran adalah proses penolakan terbalik, melalui sedia ada

Editor |. KX Dalam bidang penyelidikan dan pembangunan ubat, meramalkan pertalian pengikatan protein dan ligan dengan tepat dan berkesan adalah penting untuk pemeriksaan dan pengoptimuman ubat. Walau bagaimanapun, kajian semasa tidak mengambil kira peranan penting maklumat permukaan molekul dalam interaksi protein-ligan. Berdasarkan ini, penyelidik dari Universiti Xiamen mencadangkan rangka kerja pengekstrakan ciri berbilang mod (MFE) novel, yang buat pertama kalinya menggabungkan maklumat mengenai permukaan protein, struktur dan jujukan 3D, dan menggunakan mekanisme perhatian silang untuk membandingkan ciri modaliti yang berbeza penjajaran. Keputusan eksperimen menunjukkan bahawa kaedah ini mencapai prestasi terkini dalam meramalkan pertalian mengikat protein-ligan. Tambahan pula, kajian ablasi menunjukkan keberkesanan dan keperluan maklumat permukaan protein dan penjajaran ciri multimodal dalam rangka kerja ini. Penyelidikan berkaitan bermula dengan "S

Menurut berita dari laman web ini pada 5 Julai, GlobalFoundries mengeluarkan kenyataan akhbar pada 1 Julai tahun ini, mengumumkan pemerolehan teknologi power gallium nitride (GaN) Tagore Technology dan portfolio harta intelek, dengan harapan dapat mengembangkan bahagian pasarannya dalam kereta dan Internet of Things dan kawasan aplikasi pusat data kecerdasan buatan untuk meneroka kecekapan yang lebih tinggi dan prestasi yang lebih baik. Memandangkan teknologi seperti AI generatif terus berkembang dalam dunia digital, galium nitrida (GaN) telah menjadi penyelesaian utama untuk pengurusan kuasa yang mampan dan cekap, terutamanya dalam pusat data. Laman web ini memetik pengumuman rasmi bahawa semasa pengambilalihan ini, pasukan kejuruteraan Tagore Technology akan menyertai GLOBALFOUNDRIES untuk membangunkan lagi teknologi gallium nitride. G
