每当人类或者机器学会更好地完成一项任务时，都会留下一系列证据。一系列物理变化——大脑中的细胞或算法中的数值——是提高表现的基础。但系统如何准确地确定要进行哪些调整可不是一件小事。它被称为可信度赋值问题（credit assignment problem），大脑或者人工智能系统必须找出管线中哪些部分应对错误负责，然后对其进行必要的修改。简单说：这是一个问责游戏，找出是谁的过错。
AI 工程师用被称为反向传播(backpropagation)的算法解决了机器的可信度赋值问题，该算法在 1986 年由 Geoffrey Hinton、David Rumelhart 和 Ronald Williams 的
工作推广开来。现在它是最成功的人工智能系统——深度神经网络（在输入层和输出层之间隐藏若干人工神经元层）学习的主要驱动力。根据发表在《Nature Neuroscience》期刊上的一篇
论文，科学家现在可能终于在活着的大脑中
找到了与之对等可实时工作的模型。
由渥太华大学 Richard Naud 与麦吉尔大学和 Mila AI 研究所 Blake Richards 领导的一组研究人员发现了一种大脑学习算法的新模型，该模型可以模拟反向传播过程。它看起来非常逼真，以至于引起了实验神经科学家们注意，科学家现在对研究真正的神经元非常有兴趣，希望了解大脑是否真的这样做。柏林洪堡大学的实验神经科学家 Matthew Larkum 表示：“理论性的想法可以推动我们进行困难的实验，在我看来这篇论文已经超越了这一标准……它具有生物学意义上的合理性，而且可能会产生很大的影响。”
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。