日期：2020年01月03日
正文共：802字1圖
預計閱讀時間：3分鐘
來源:教育新聞網
今天，神經網絡主導著AI和AIOps的發展，但是我已經多次說過這是不可持續的。神經網絡提供有效和有意義的結果的能力達到了頂峰。該科學存在基本的難處理性，不匹配性和固有延遲的問題。即使在神經網絡上進行了大量投資，這也關係到AIOps，並且實時業務社區受到限制。這使我進入了計算神經科學領域，我相信它將極大地受益於AI。
當我凝視著AI可能如何發展的未來時，我期望與計算神經科學有很多交叉。神經網絡目前正在發生的事情是與AI進行雜交的早期嘗試，但這是失敗的，並將繼續如此。
這是嘗試採用人腦和相關神經系統的複雜且鮮為人知的行為，並開發數學和算法模型以試圖了解其行為的方法。您可以將計算神經科學與經濟學或氣候科學進行比較。在所有這些情況下，您都擁有一個非常複雜的系統，該系統具有可見但輪廓不清的輪廓。我們希望我們可以學習有關這些系統的知識，以進行高級預測，這可以通過構建計算模型來實現，這些計算模型可以是直接算法或一組數學方程式，以嘗試深入了解這些大型複雜系統。這種方法與其他科學方法(例如物理學和化學方法)完全不同，在科學方法中，您先定義明確的行為，然後嘗試自下而上地理解，例如，為什麼原子表現出它們的行為方式，或者分子或細胞如何相互作用。將計算神經科學，經濟學和氣候科學視為自上而下的科學，而不是經典的自下而上的科學。通常，計算神經科學將為您提供有關大腦和神經系統如何工作的指示。當您以這種方式看時，變得非常有趣的一件事是AI和計算神經科學有許多相似之處。但是，人們認為這兩個學科之間存在巨大差異，許多人將計算神經科學視為自下而上的科學，並將AI視為工程項目。這是錯誤的，它們都是自上而下的科學，正在研究非常相似且高度重疊的領域。因此，在未來的五到十年中，我們將看到這兩個學科之間有更多的交叉。