近日，科学家们在人工智能领域取得突破性进展，成功将一个AI视觉模型缩小到其原始尺寸的一小部分，其效率之高，令人联想到活体大脑。这项研究成果利用了猕猴的神经元数据，并在《自然》杂志上发表。研究人员Ben Cowley指出，人类大脑的能耗低于一个灯泡，而目前的人工智能系统在执行相同任务时会消耗大量电力，这正是此次研究试图解决的核心问题。

该模型最初模拟大脑视觉系统的一部分，使用了高达6000万个变量。然而，研究团队成功将其压缩至仅使用10000个变量，同时性能几乎保持不变。研究作者、冷泉港实验室助理教授Ben Cowley对此表示：“这小得令人难以置信。这个模型可以作为一条推文或一封电子邮件发送。”

更令人振奋的是，这个紧凑型模型在运作方式上似乎更接近活体大脑。Cowley认为，这有助于科学家们深入研究阿尔茨海默病等疾病中出现的问题。此外，西蒙斯基金会熨斗研究所和纽约大学的Mitya Chklovskii也指出，受生物学启发的紧凑型大脑模型有望催生“更强大、更像人类的人工智能”。

这项研究是理解人类视觉系统工作原理的努力之一。Cowley解释说，由于目前无法很好地观察人脑如何识别物体，他一直在研究能够完成类似任务的人工智能系统。他坦言：“我们对这些AI系统的工作原理知之甚少，就像我们对自身大脑的理解一样贫乏。”

Cowley与卡内基梅隆大学和普林斯顿大学的研究人员合作，创建了一个模拟V4神经元的AI模型。V4神经元是视觉系统中的一个关键部分，Cowley描述其功能为：“它们编码颜色、纹理、曲线和非常复杂的原始物体。”

压缩过程涉及识别模型中冗余或不必要的部分，并应用类似于压缩数码照片的统计技术。由于模型变得小巧而简单，研究团队得以深入了解其人工神经元的工作方式。他们发现，一些V4神经元对具有强烈边缘和大量曲线的形状做出反应，例如超市中摆放的水果。另一些V4神经元则似乎只对图像中的小点做出反应，Cowley认为这可能与灵长类动物对眼睛的吸引力有关。

这些V4神经元的专业化特性可能解释了人类和其他灵长类动物大脑如何在不依赖巨大计算能力的情况下理解所见。研究结果表明，AI系统可以设计得更小、更简单，同时在解释所见内容方面做得更好。例如，Cowley设想，未来的自动驾驶汽车可能能够在计算能力较低的计算机上运行，同时正确区分行人与空中飘浮的塑料袋，从而提高安全性和效率。

然而，Mitya Chklovskii指出，AI系统若要达到人脑的性能，还需要做的不仅仅是缩小。他举例说，人类可以轻松识别朋友的脸，即使对方晒黑或换了新发型，但AI系统在这些任务上仍然面临挑战。Chklovskii推测，当前的AI模型可能基于20世纪对人脑的理解，导致其在某些任务上表现不佳。他建议，鉴于我们对大脑的了解已大大增加，应该更新人工网络的基础，以实现更接近生物智能的飞跃。