巴伊蘭大學（Bar-Ilan University）的一項研究揭示，在複雜的分類任務中，大腦高效的淺層學習（涉及層數較少的寬網絡）可以與多層深度學習模型相抗衡。這對目前GPU 的設計提出了挑戰，因為GPU 更傾向於深度架構而非寬架構。

儘管大腦的結構相對較淺，層數有限，但其運作效率卻很高，而現代人工智慧系統的特徵則是具有眾多層的深度架構。這就提出了一個問題： 受大腦啟發的淺層架構能否與深層架構的效能相提並論？

神經網路學習方法的靈感來自大腦的運作，但大腦的學習方式與深度學習的運作方式有根本性的差異。一個關鍵差異在於每種方法所採用的層數。

深度學習系統通常有很多層，有時多達數百層，這使它們能夠有效地學習複雜的分類任務。相較之下，人腦的結構就簡單得多，層數也少得多。儘管大腦的結構相對較淺，其處理過程也更慢、更噪，但它卻能有效率地處理複雜的分類任務。

大腦淺層學習機制研究

推動新研究的關鍵問題是大腦高效淺層學習的可能機制–它能使大腦以與深度學習相同的準確性完成分類任務。以色列巴伊蘭大學（Bar-Ilan University）的研究人員在發表於《物理學報》（Physica A）的一篇文章中，展示了這種淺層學習機制如何與深度學習競爭。

資料來源：巴伊蘭大學伊多-坎特（Ido Kanter）教授

巴伊蘭大學物理系和Gonda（Goldschmied）多學科大腦研究中心的伊多-坎特（Ido Kanter）教授領導了這項研究，他說：”與其說大腦是一個像摩天大樓一樣的深層結構，不如說它是由一個寬廣的淺層結構組成的，更像是一棟非常寬的大樓，只有很少幾層。”

「大腦結構越深，層次越多，正確分類物體的能力就越強。相比之下，大腦的淺層機製表明，更寬的網絡能更好地對物體進行分類，”這項研究的主要貢獻者之一、本科生羅尼特-格羅斯（Ronit Gross）說。”更寬和更高的架構代表了兩種互補機制。 不過，要實現模仿大腦動態的超寬淺層架構，需要改變先進GPU 技術的特性，因為該技術能夠加速深度架構，但在實現寬淺層架構時卻失靈了。

編譯來源：ScitechDaily