深度学习是人工智能的必要组成部分吗

最早的人工神经网络 Perceptron 大约在 65 年前推出，只有一层。然而，为了解决更复杂的分类任务的解决方案，后来引入了由许多前馈(连续)层组成的更高级的神经网络架构。这是当前深度学习算法实现的重要组成部分。它在无需人工干预的情况下提高了分析和物理任务的性能，并且支持日常自动化产品，例如用于自动驾驶汽车和自动聊天机器人的新兴技术。

推动今天发表在《科学报告》上的新研究的关键问题是，是否可以使用受大脑启发的浅层前馈网络来实现对非平凡分类任务的有效学习，同时可能需要更少的计算复杂性。Bar-Ilan 物理系和 Gonda (Goldschmied) 多学科的 Ido Kanter 教授说：“一个肯定的答案质疑深度学习架构的必要性，并可能指导独特硬件的开发，以高效、快速地实施浅层学习。”领导这项研究的大脑研究中心。“此外，它将展示受大脑启发的浅层学习如何具有先进的计算能力，同时降低复杂性和能耗。”

“我们已经证明，在人工 浅层架构上进行有效学习可以达到与以前由许多层和过滤器组成的深度学习架构相同的分类成功率，但计算复杂度更低，”博士生 Yarden Tzach 说，他补充说：“然而，浅层架构的有效实现需要先进 GPU 技术和未来专用硬件开发特性的转变。”

对大脑启发的浅层结构的有效学习与有效的树突树 学习 密切相关，树突树 学习基于 Kanter 教授之前使用 神经元培养进行的亚树突适应实验研究，以及神经元的其他各向异性特性，如 不同的尖峰波形、 不应 期 和 最大传输率

多年来，大脑动力学和机器学习的发展都是独立研究的，但是最近，大脑动力学被揭示为新型高效人工智能的来源。