当前位置: 主页 > 神经科学 > 类脑智能与AI

类脑智能与AI 无限隐马尔可夫模型:揭示学习过程中的动态脑状态与复杂性

本研究引入无限隐马尔可夫模型(iHMMs)以非参数贝叶斯框架自动识别学习中的动态隐藏状态,揭示个体在探索、精进、瓶颈和顿悟等阶段的状态转换及其神经基础。模型结合行为与神经生理数据,发现不同认知阶段对应特定脑区活动模式,显著提升对学习复杂性和个体差异的理解。结果验证了iHMMs在揭示认知状态动态变化及其神经机制中的优越性,为个性化教育和神经疾病干预提供理论基础。...

2026-04-19 20:41:41 270

类脑智能与AI 对抗性人工智能揭示意识障碍的机制与治疗方法

研究通过生成对抗性AI框架,结合深度神经网络与神经场模型,模拟意识与昏迷状态,揭示意识障碍的机制。模型预测并验证了基底节间接通路破坏及皮层抑制性突触耦合增强的无意识机制,并提出丘脑底核高频刺激作为潜在治疗方法,为意识研究提供新范式。...

2026-04-19 15:36:56 416

类脑智能与AI 竞争性相互作用塑造哺乳动物脑网络动力学与计算

一项发表于《自然·神经科学》的研究利用计算全脑模型,探究了哺乳动物连接组中合作与竞争相互作用的动力学和计算相关性。研究在人类、猕猴和小鼠中表明,为了真实再现大脑活动,模型架构始终将模块化的合作相互作用与弥散的、长程的竞争相互作用相结合。跨物种来看,竞争相互作用优先连接具有相反细胞结构、基因表达和受体表达特征的脑区。具有竞争相互作用的模型提供了更优的个体特异性,始终优于仅合作模型,并对活体大脑的时空特性表现出极佳的拟合。这些特性并非被显式优化,而是自发涌现的。生成性连接中的竞争相互作用产生了更具协同性和层次...

2026-04-19 15:34:23 190

类脑智能与AI FORCE学习与寻找出路:对话Meta Reality Labs高级研究经理David Sussillo

本文基于《突触》播客对Meta Reality Labs高级研究经理David Sussillo的访谈。Sussillo博士分享了其早年在集体之家的成长经历,并深入探讨了其与Larry Abbott共同开发的FORCE学习算法——一种能够快速稳定训练循环神经网络的方法,该算法在计算神经科学与机器学习之间架起了桥梁。他还讨论了学术界与工业界交融的益处,以及如何从逆境中寻找出路。...

2026-04-17 08:40:42 158

类脑智能与AI Tom Griffiths:神经网络、逻辑学与概率论共同构成解释认知的坚实基础

普林斯顿大学教授Tom Griffiths在播客中阐述其新书核心观点:符号逻辑、概率论和神经网络三大学科支柱互补,共同构成解释认知的坚实基础。逻辑提供形式语言,概率论处理不确定性,神经网络提供生物实现机制,三者整合有望形成统一的认知数学理论,即“思想定律”,以解释从感知到决策的广泛心智能力。...

2026-04-17 08:25:35 146

类脑智能与AI 竞赛寻求新算法分类动物社会行为

社会神经科学面临行为分类器跨实验室泛化失败的瓶颈。为此,Ann Kennedy团队组织“多智能体行为挑战”,提供来自15个实验室的互动小鼠视频姿态估计和手工注释,参赛者需开发算法分类36种社会行为(如嗅探、攻击等),优胜者获2万美元奖金。竞赛旨在推动通用行为表征的建立,促进跨领域合作与开放资源,为理解动物社会行为提供新工具。...

2026-04-16 15:03:29 97