共计 1019 个字符，预计需要花费 3 分钟才能阅读完成。
近日，萨里大学的研究团队在《Neurocomputing》期刊上发表了一项突破性研究，开发出一种受人类大脑生物神经网络启发的新方法，有望使人工智能（AI）系统变得更加节能和高效。这一成果为 AI 领域带来了新的发展机遇。
传统的人工神经网络（ANNs）采用全连接方式，每一层的每个神经元都与下一层的所有神经元相连，虽然确保了信息的传递，但也造成了大量能量的浪费。相比之下，萨里大学的自然启发计算与工程（NICE）小组提出的地形稀疏映射（TSM）方法，模仿了大脑神经网络的稀疏和结构化连接方式，仅将每个神经元连接到附近或相关的神经元。
这种创新方法的核心在于其生物学启发的设计理念。正如大脑的视觉系统能够高效地组织信息一样，TSM 通过消除大量不必要的连接和计算需求，显著提高了 AI 系统的效率。研究团队进一步开发了增强版——增强地形稀疏映射（ETSM），在训练过程中引入了一种类似于大脑学习过程中优化神经连接的 ’ 修剪 ’ 过程。
研究结果显示，这种受大脑启发的方法在保持甚至提高准确性的同时，仅需传统模型所需参数和能量的一小部分。萨里大学计算机科学与电子工程学院的高级讲师 Roman Bauer 博士指出：’ 训练当今许多大型 AI 模型可能消耗超过一百万度的电力，相当于一百多个美国家庭的年用电量。随着 AI 的持续发展，这种高能耗模式显然不可持续。’
在实际应用中，萨里大学的增强模型实现了高达 99% 的稀疏性，这意味着它可以移除几乎所有常规的神经连接，但在基准数据集上仍然达到或超过了标准网络的准确性。更令人瞩目的是，该模型的训练速度更快，使用更少的内存，并且消耗的能量不到传统 AI 系统的百分之一。
该研究的主要作者、萨里大学博士生 Mohsen Kamelian Rad 解释道：’ 大脑通过其结构实现了显著的效率，每个神经元形成的连接在空间上组织良好。当我们模仿这种地形设计时，可以训练出学习更快、使用更少能量并且同样准确的 AI 系统。’
目前，研究团队已经将受大脑启发的映射应用于 AI 模型的输入层，并计划将其扩展到更深的网络层，以进一步提高网络的精简度和效率。此外，研究人员还在探索如何将该方法应用于其他领域，如神经形态计算机，在这些领域，效率的提升可能会产生更大的影响。
这一突破性研究不仅为 AI 系统的高能耗问题提供了新的解决方案，也为未来 AI 技术的发展开辟了新的方向。随着研究的深入，受大脑启发的 AI 技术有望在多个领域实现更广泛的应用，推动人工智能向更加高效、节能的方向发展。
