重新修正神经科学假设——学习的新机制

大脑是一个包含数十亿个神经元的复杂网络。这些神经元中的每一个都通过它们的突触(链接)与成千上万的其他神经元同时交流，并通过几个非常长的、分支的“手臂”，即树突树（dendritic trees），收集传入的信号。

在过去的70年里，神经科学的一个核心假设一直是，大脑学习是通过调整突触的强度来实现的，这是根据连接它们的神经元的相对放电活动来实现的。这一假设一直是机器和深度学习算法的基础，它们越来越多地影响我们生活的几乎所有方面。但70年后，这一长期存在的假说现在受到了质疑。

在今天发表在《科学报告》(Scientific Reports)上的一篇文章中，以色列巴伊兰大学(Bar-Ilan University)的研究人员揭示，大脑的学习方式与20世纪以来人们所认为的完全不同。新的实验观察表明，学习主要是在神经元树突中进行的，树突的树干和树枝会改变它们的强度，而不是像以前认为的那样，只改变突触(树突叶)的强度。这些观察也表明，神经元实际上是一个更复杂、更动态、更具有计算能力的元素，而不是二进制元素。深度学习算法以前需要一个由数千个神经元和突触组成的人工复杂网络，现在只需一个神经元就可以实现。

“我们已经证明，对单个神经元的树突树进行有效的学习，可以人工实现接近统一的手写数字识别成功率。这项研究的负责人、Bar-Ilan大学物理系和Gonda (Goldschmied)多学科大脑研究中心的Ido Kanter教授说:“这一发现为受生物启发的高效新型人工智能硬件和算法铺平了道路。”

“这种简化的学习机制代表着向反向传播算法的生物学实现迈出了一步，这是目前人工智能的核心技术，”该研究的关键参与者之一、博士生Shiri Hodassman补充说。

树突树的高效学习是基于Kanter和他的研究团队利用神经元培养的亚树突适应的实验证据，以及神经元的其他各向异性特性，如不同的尖峰波形、不应期和最大传输速率。

大脑的时钟比现有的并行图形处理器慢10亿倍，但在许多感知任务中成功率相当。

对树突状树进行有效学习的新演示需要在大脑研究方面采用新方法，以及生成旨在实现高级人工智能算法的对应硬件。如果能在速度超快的计算机上实现缓慢的大脑动态，那将是天方夜谈。

Efficient dendritic learning as an alternative to synaptic plasticity hypothesis