也就是说，如果能更好地理解神经元的工作机制，提高对大脑计算原理的认识，将原理运用到人工智能的自主学习上，就可能实现人工智能机器在不需要监督的环境下通过少量样本进行学习。这正是人工智能的标志。

为了更好地理解生物神经网络和反馈回路 ，科学家Sandra Kuhlman 将使用双光子钙成像显微镜技术，来记录上万个小鼠神经元处理视觉信息时所产生的信号。科学家首先在小鼠脑内加入钙染料或者能感受钙离子浓度变化的蛋白；利用神经细胞被激活，细胞钙水平发生变化的原理，根据钙水平来判断神经元的激活状态。当一个神经细胞被激活时，随着荧光爆发就能实时观察神经细胞及其发生的反应。

 

 

人工智能资料图

 

记录下的数据将用于建造一个互连神经元模型。通过将分子传感器与光学方法整合起来，检测神经活动，可能可以实现追踪一个大脑区域内神经元的大部分神经动态，由此得到一个巨大的数据集，将帮助人类详细认识视觉皮层某个区域中神经元的行为。研究人员希望使用这个大规模数据集解开神经网络的复杂难题。他们的目标是将获得的新知识应用到机器学习算法上，使他们可以使用少得多的样本就能开发出模型。

 

 

人工智能资料图

 

三

以上种种，都向我们展现了人工智能研究领域的美好前景。一旦人类写出更高效的机器学习算法，人工智能将势不可挡，而人工智能威胁论也将不单单是对未来世界的忧心。