效仿人脑节能，可用于AI的大型类脑神经网络实现

　　在《自然·机器智能》杂志上发表的一项新研究中，荷兰国家数学与计算机科学研究所（CWI）科学家展示了类脑神经元如何与新颖的学习方法相结合，能够大规模训练快速节能的尖峰神经网络。潜在的应用包括可穿戴人工智能（AI）、语音识别、增强现实等诸多领域。

　　这种尖峰神经网络，可在称为神经形态硬件的芯片中实现，有望使AI程序更贴近用户。这一解决方案有利于保护隐私、提高稳健度和响应能力，其应用范围从电器中的语音识别、医疗保健监控、无人机导航，到本地监控设备。

　　就像标准的人工神经网络一样，尖峰神经网络也需要训练才能流畅地执行这些任务。然而，这种网络通信方式也带来了严峻的训练挑战，因为它们无法与人类大脑的学习能力相提并论：大脑可以很容易地从新体验中完成学习，改变连接，甚至建立新的连接；大脑所需的“范本”很少，但学到的却很多；大脑学习新事物时也非常节能。

　　为了达到与人类大脑接近的程度，新的在线学习算法可直接从数据中学习，实现更大的峰值神经网络。在研究人员展示中，底层尖峰神经网络SPYv4经过训练，可在阿姆斯特丹一条繁忙的街道上区分骑行者、步行者和汽车，并准确指示它们的位置。

　　研究人员表示，以前，他们可训练超过10000个神经元的神经网络；现在，对于拥有超过6百万个神经元的网络，他们也能很容易地训练。

　　有了基于尖峰神经网络的强大AI解决方案，研究人员正在开发能以非常低的功率运行这些人工智能程序的芯片，这些芯片最终将出现在许多智能设备中，如助听器和增强/虚拟现实眼镜。