受脑启发的人工智能与LeCun访谈:世界模型与神经科学教训

基于神经科学的分析探讨大脑如何教会人工智能关于效率、学习和鲁棒性。
Key insights
大脑利用阶段性先天知识与一般学习实现数据高效智能
Marblestone解释道,进化提供了时间上分阶段的先天“指导”子系统(例如,面部识别触发器),而皮层则学习一般模型。这种分离使得生物体能够从远少于当前大型模型的数据中进行概括,因为学习是由专门的驱动和传感器支撑的。
大脑架构支持多模态、全方向推理
与优化为下一个标记预测的LLM不同,大脑学习变量之间的联合分布,从而实现跨模态推理(例如,从视觉推断声音)。这种“全方向”推理支持在新情境中的鲁棒性概括。
物理设计带来极端能效与固有采样
生物因素——存储与计算的共置(突触)、用于采样的物理离子随机性、低电压低频操作和稀疏激活——解释了大脑约20瓦的能效,并暗示了低功耗人工智能的硬件和算法机会。
形式化方法与连接组学可以提升人工智能的严谨性与安全性
将形式化证明系统(Lean)与更丰富的结构神经科学数据(连接组)结合,可能提供更严格的验证和更扎实的训练信号,支持数学的可证明正确性和更安全的人工智能行为。