共计 644 个字符，预计需要花费 2 分钟才能阅读完成。
萨里大学的研究团队近日在人工智能（AI）领域取得重大突破，通过借鉴人脑神经网络结构，成功提升了 AI 系统的性能。这项发表在《Neurocomputing》期刊上的研究显示，模仿大脑的神经连接方式能够显著增强生成式 AI 及 ChatGPT 等现代 AI 模型中人工神经网络的表现。
该技术采用了一种称为 ’ 地形稀疏映射 ’ 的创新方法，使每个神经元仅与邻近或相关的神经元建立连接，这一机制与人类大脑高效组织信息的方式如出一辙。项目负责人 Roman Bauer 博士指出：’ 我们的研究表明，智能系统可以通过更优化的架构来构建，在保持性能的同时显著降低能耗。’
研究团队发现，这种新型模型通过剔除大量冗余连接，不仅实现了性能的可持续提升，还确保了系统的准确性。Bauer 博士强调：’ 目前训练大型 AI 模型可能消耗超过百万度电力，随着 AI 技术的持续发展，这种能耗模式显然难以为继。’
为进一步优化系统性能，研究人员开发了增强型地形稀疏映射技术，在训练过程中引入了受生物启发的 ’ 修剪 ’ 机制。这一过程模拟了人脑在学习过程中逐步优化神经连接的自然方式，使 AI 系统能够更高效地适应和处理信息。
除了在传统 AI 领域的应用，研究团队正在探索将该技术应用于神经形态计算等前沿领域。神经形态计算是一种受人类大脑结构和功能启发的新型计算方法，有望实现更逼真、更高效的信息处理模式。
这项突破性研究不仅为 AI 技术的发展开辟了新路径，也为解决当前 AI 系统面临的高能耗问题提供了切实可行的解决方案。随着研究的深入，这一技术有望在多个领域带来革命性的变革。
