《Science》新作揭露 神经元树突也隐含计算能力

这一发现在计算机领域产生了轰动。多年来，他们都认为 XOR 函数不可能出现在单个神经元中，著名的计算机科学家Marvin Minsky 和Seymour Papert在他们于1969年合著的《Perceptrons》一书中，还对单层人工网络无法执行 XOR 进行了论证。这一结论具有毁灭性的影响，以至于很多计算机科学家都将20世纪80年代之前神经网络研究陷入低迷状态，归咎于这一结论。

神经网络研究者最终找到了避开Minsky 和 Papert所提出的困难的方法，同时神经科学家们也在自然界中找到了这些解决方案的案例。例如，Poirazi 之前就已经发现了XOR是可能存在于单个神经元中的：并且简单将两个树突结合起来，就能够实现这一点。而在最近的这个实验中，他们甚至能够提供了一个合理的、在单个树突中执行XOR的生物物理机制。

处理器中的处理器

当然，并非所有的神经元都是如此。据论文作者 Gidon 所说，大脑的其他部分也存在很多更小的点状神经元。或许发现的这种神经复杂性的存在是有原因的。

神经元中的一个小区室，为什么需要具有整个神经元或一个小型的神经网络才具备的能力呢？

一个可能是：多层神经网络的神经元能够有更好的处理能力，并且能够有更好的学习和存储能力。

对此，Poirazi指出：“或许在单个的神经元内就有一个深度网络，这在学习有难度的问题或认知方面，会强大许多。”

Kording 也提到：“单个神经元或许能够计算真正复杂的函数，例如，它可能能够拥有自主识别对象的能力。”

正如Poirazi 所说，如此强大的单个神经元，也将有助于大脑降低能量消耗。据了解，研究者们计划下一步将尝试在啮齿类动物或其他动物身上的树突中寻找相似的信号，以此来确定这种计算能力是否是人类所独有。他们也希望能够超越模型的范畴，将他们观察到的神经行为与动物的实际行为结合起来研究。

与此同时，Poirazi 则期望能够比较这些树突中的计算与神经元网络中实际发生的情况，以此证明前者是否具备一些优势。这包括测试其他类型的逻辑操作、探索这些操作将对学习和记忆有哪些贡献意义。她表示：“在我们开展这些实验之前，我们无法真正确定这一发现将带来多大的影响。”

结语

虽然现在研究者们还有很多工作需要做，但他们认为这些发现也暗示着他们需要重新思考他们该如何对大脑以及其更广泛的函数建模。仅仅关注不同神经元和大脑区域的关联性，远远不够。

这一新结果，似乎也会对人工智能和机器学习领域的问题带来影响。人工神经网络依赖于点状模型，这种模型将神经元视作对输入计数并在活动函数中传递总数的节点。

纽约大学认知科学家、深度学习的怀疑者 Gary Marcus曾说过：“只有少数人在认真对待这个观点：单个神经元可能是一个复杂计算的设备。”

（编辑：52刷机网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!