萬(wàn)字長(zhǎng)文：怎樣彌合人工智能和人腦智能的差距？

來(lái)源：互聯(lián)網(wǎng)   發(fā)布日期：2024-12-02 07:50:43   瀏覽：0次  

深度學(xué)習(xí)的核心仍舊是模擬人腦神經(jīng)元的信息處理方式，但其應(yīng)用已經(jīng)遠(yuǎn)遠(yuǎn)超越了最初的設(shè)想，涵蓋了圖像識(shí)別、自然語(yǔ)言處理、自動(dòng)駕駛車(chē)輛、醫(yī)療診斷等眾多領(lǐng)域。這些突破性的進(jìn)展，不僅推動(dòng)了技術(shù)的進(jìn)步，也促進(jìn)了新的商業(yè)模式的出現(xiàn)和產(chǎn)業(yè)的快速發(fā)展。

Giordano Poloni

3. 目前人工智能和人腦智能的差別

3.1 功能表現(xiàn)方面的差別

盡管人工智能在特定領(lǐng)域（如棋類(lèi)游戲、特定圖像和語(yǔ)音識(shí)別任務(wù)）已能超越人類(lèi)，但它通常缺乏跨領(lǐng)域的適應(yīng)能力。

雖然某些AI系統(tǒng)（如深度學(xué)習(xí)模型）在大數(shù)據(jù)環(huán)境中表現(xiàn)出色，但它們通常需要大量的標(biāo)記數(shù)據(jù)與模型訓(xùn)練，并且當(dāng)任務(wù)或環(huán)境發(fā)生變化時(shí)，AI的遷移學(xué)習(xí)能力也較為有限，通常需要為之設(shè)計(jì)特定的算法。而人腦則具有強(qiáng)大的學(xué)習(xí)和適應(yīng)能力，能夠在少量數(shù)據(jù)和多種環(huán)境條件下學(xué)習(xí)新任務(wù)，還能夠進(jìn)行遷移學(xué)習(xí)，即可以將在一個(gè)領(lǐng)域中學(xué)到的知識(shí)應(yīng)用到另一個(gè)看似無(wú)關(guān)的領(lǐng)域。

在處理復(fù)雜問(wèn)題的靈活性方面，AI在處理定義清晰、結(jié)構(gòu)化良好的問(wèn)題時(shí)，如棋類(lèi)游戲、語(yǔ)言翻譯等，效果最佳；但在處理模糊不清、非結(jié)構(gòu)化的問(wèn)題時(shí)，效率較低，易受到干擾。人腦在處理含糊不清、復(fù)雜的環(huán)境信息時(shí)，顯示出極高的靈活性和效率。例如，人腦能夠在嘈雜的環(huán)境中識(shí)別聲音、在缺乏完整信息的情況下做出決策等。

在意識(shí)和認(rèn)知方面，當(dāng)前的AI系統(tǒng)缺乏真正的意識(shí)和情感，它們的“決策”僅僅是基于算法和數(shù)據(jù)的輸出，沒(méi)有主觀(guān)體驗(yàn)或情感的涉及。人類(lèi)不僅可以處理信息，還擁有意識(shí)、情感和主觀(guān)體驗(yàn)，這些都是人腦智能的重要組成部分。

在多任務(wù)處理方面，雖然某些AI系統(tǒng)能夠同時(shí)處理多種任務(wù)，但這通常需要復(fù)雜的針對(duì)性設(shè)計(jì)。大多數(shù)AI系統(tǒng)針對(duì)單一任務(wù)設(shè)計(jì)誕生，其進(jìn)行多任務(wù)處理時(shí)的效率和效果通常不如人腦。人腦在同時(shí)處理多重任務(wù)時(shí)具有極大的靈活性，能夠在不同任務(wù)之間迅速切換并保持高效。

在能耗和效率方，高級(jí)AI系統(tǒng)，尤其是大型機(jī)器學(xué)習(xí)模型，常常需要大量的計(jì)算資源和能源，能耗遠(yuǎn)超人腦。人腦僅需約20瓦特即可運(yùn)行，具有極高的信息處理效率。

總體來(lái)說(shuō)，盡管人工智能在特定領(lǐng)域已展示出卓越的性能，但它仍然無(wú)法全面模擬人腦，特別是在靈活性、學(xué)習(xí)效率和多任務(wù)處理等方面。未來(lái)的AI研究可能會(huì)不斷縮小這些差異，但人腦的復(fù)雜性和高效性仍是其難以超越的標(biāo)桿。

Spooky Pooka ltd

3.2 底層機(jī)制方面的差別

在基礎(chǔ)結(jié)構(gòu)方面，現(xiàn)代AI系統(tǒng)，特別是神經(jīng)網(wǎng)絡(luò)，雖然受到生物神經(jīng)網(wǎng)絡(luò)的啟發(fā)，但“神經(jīng)元”（通常是計(jì)算單元）及其相互連接均依靠數(shù)值模擬。這些人工神經(jīng)網(wǎng)絡(luò)的連接和處理通常都是預(yù)設(shè)的、靜態(tài)的，缺乏生物神經(jīng)網(wǎng)絡(luò)的動(dòng)態(tài)可塑性。人腦由大約860億個(gè)神經(jīng)元組成，每個(gè)神經(jīng)元通過(guò)數(shù)千到數(shù)萬(wàn)個(gè)突觸連接與其他神經(jīng)元相連[6-8]，這種結(jié)構(gòu)支持復(fù)雜的并行處理和高度動(dòng)態(tài)的信息交換。

在信號(hào)傳遞方面，AI系統(tǒng)中的信號(hào)傳遞通常是通過(guò)數(shù)值計(jì)算實(shí)現(xiàn)的，例如在神經(jīng)網(wǎng)絡(luò)中，神經(jīng)元的輸出是輸入加權(quán)和的函數(shù)，這些加權(quán)和通常通過(guò)簡(jiǎn)單的數(shù)學(xué)函數(shù)（如Sigmoid或ReLU）處理。神經(jīng)信號(hào)傳導(dǎo)依賴(lài)于電化學(xué)過(guò)程，神經(jīng)元之間的信息交流通過(guò)突觸釋放神經(jīng)遞質(zhì)進(jìn)行，并受到多種生物化學(xué)過(guò)程的調(diào)控。

在學(xué)習(xí)機(jī)制方面，AI的學(xué)習(xí)通常通過(guò)算法調(diào)整參數(shù)（如權(quán)重）來(lái)實(shí)現(xiàn)，例如通過(guò)反向傳播算法。雖然這種方法在技術(shù)上有效，但它需要大量的數(shù)據(jù)，針對(duì)新的數(shù)據(jù)集需要重新訓(xùn)練或顯著調(diào)整模型參數(shù)，與人腦的持續(xù)和無(wú)監(jiān)督學(xué)習(xí)方式相比存在差距。人腦的學(xué)習(xí)依賴(lài)于突觸可塑性，即神經(jīng)連接的強(qiáng)度根據(jù)經(jīng)驗(yàn)和活動(dòng)而改變，這種可塑性支持持續(xù)的學(xué)習(xí)和記憶形成。

4. 模擬人類(lèi)智能的長(zhǎng)期目標(biāo)通用人工智能的背景和定義

通用人工智能（AGI）的概念提出，源于對(duì)狹義人工智能（AI）的局限性的認(rèn)識(shí)。狹義AI通常專(zhuān)注于解決特定的、限定范圍的問(wèn)題，例如棋類(lèi)游戲或語(yǔ)言翻譯，但缺乏跨任務(wù)和領(lǐng)域的靈活性。隨著科技的進(jìn)步和對(duì)人類(lèi)智能更深入的理解，科學(xué)家們開(kāi)始設(shè)想一種類(lèi)似人類(lèi)的具備多領(lǐng)域認(rèn)知能力、自主意識(shí)、創(chuàng)造力和邏輯推理能力的智能系統(tǒng)。

AGI旨在創(chuàng)建一種智能系統(tǒng)，能夠像人類(lèi)一樣理解和解決多領(lǐng)域問(wèn)題，并且能夠進(jìn)行自我學(xué)習(xí)和適應(yīng)。這種系統(tǒng)將不僅僅是工具，更是作為智能實(shí)體參與到人類(lèi)的社會(huì)經(jīng)濟(jì)、文化活動(dòng)中。AGI的提出，代表了人工智能發(fā)展的理想狀態(tài)，期望最終能夠在全面性和靈活性方面達(dá)到并超越人類(lèi)智能。

02 實(shí)現(xiàn)通用人工智能的路徑

多樣化的神經(jīng)元模擬和網(wǎng)絡(luò)結(jié)構(gòu)顯示出不同級(jí)別的復(fù)雜性。具有更豐富動(dòng)態(tài)描述的神經(jīng)元的內(nèi)部復(fù)雜性較高，而具有更寬和更深連接的網(wǎng)絡(luò)的外部復(fù)雜性較高。從復(fù)雜性的角度來(lái)看，目前通常認(rèn)為，有望實(shí)現(xiàn)通用人工智能的路徑有兩條，一種是外部復(fù)雜性大模型方法，例如通過(guò)增加模型的寬度和深度；另一種是內(nèi)部復(fù)雜性小模型方法，例如通過(guò)向模型添加離子通道或?qū)⑵滢D(zhuǎn)換為多區(qū)室模型。

圖3：神經(jīng)元和網(wǎng)絡(luò)的內(nèi)部復(fù)雜性和外部復(fù)雜性

1. 外部復(fù)雜性大模型方法

在人工智能（AI）領(lǐng)域，為了解決更廣泛和更復(fù)雜的問(wèn)題，研究者們?cè)絹?lái)越依賴(lài)于大型AI模型的開(kāi)發(fā)。這些模型通常具有更深、更大、更寬的網(wǎng)絡(luò)結(jié)構(gòu)，可稱(chēng)之為“外部復(fù)雜性大模型方法”。這種方法的核心，在于通過(guò)擴(kuò)展模型的規(guī)模，來(lái)增強(qiáng)其處理信息（尤其是在處理大量數(shù)據(jù)）和學(xué)習(xí)的能力。

1.1. 大型語(yǔ)言模型的應(yīng)用

大型語(yǔ)言模型，如GPT（Generative Pre-trained Transformer）和BERT（Bidirectional Encoder Representations from Transformers）等，是當(dāng)前AI研究中的熱點(diǎn)。這些模型通過(guò)深層神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)大規(guī)模文本數(shù)據(jù)，掌握語(yǔ)言的深層語(yǔ)義和結(jié)構(gòu)，能夠在多種語(yǔ)言處理任務(wù)中展示出色的性能。例如，GPT-3通過(guò)訓(xùn)練大規(guī)模的文本數(shù)據(jù)集，不僅能夠生成高質(zhì)量的文本，還能進(jìn)行問(wèn)答、摘要、翻譯等任務(wù)。

這些大型語(yǔ)言模型的主要應(yīng)用，包括自然語(yǔ)言理解、文本生成、情感分析等，因而可廣泛應(yīng)用于搜索引擎、社交媒體分析、客戶(hù)服務(wù)自動(dòng)化等領(lǐng)域。

1.2. 為什么要擴(kuò)展模型的規(guī)模？

根據(jù)Jason Wei、Yi Tay、William Fedus等人在Emergent Abilities of Large Language Models中的研究，隨著模型規(guī)模的增大，模型的能力會(huì)出現(xiàn)“涌現(xiàn)”現(xiàn)象，即某些先前未明顯的能力會(huì)突然顯現(xiàn)。這是因?yàn)槟Ｐ驮谔幚砀鼜?fù)雜、更多樣化的信息時(shí)，能夠?qū)W習(xí)到更深層次的模式和關(guān)聯(lián)。

例如，超大規(guī)模的語(yǔ)言模型能在未經(jīng)特定針對(duì)性訓(xùn)練的情況下，出現(xiàn)解決復(fù)雜的推理問(wèn)題和創(chuàng)造性寫(xiě)作的能力。這種“智能的涌現(xiàn)”現(xiàn)象表明，通過(guò)增加模型的規(guī)模，可以實(shí)現(xiàn)更接近人類(lèi)智能的廣泛認(rèn)知和處理能力。

圖4：大語(yǔ)言模型的涌現(xiàn)現(xiàn)象

1.3. 挑戰(zhàn)

盡管大型模型帶來(lái)了前所未有的能力，但它們也面臨著重大挑戰(zhàn)，尤其是在效率和成本方面。

首先，這類(lèi)模型需要巨大的計(jì)算資源，包括高性能的GPU和大量的存儲(chǔ)空間，這直接增加了研究和部署的成本。其次，大模型的能耗問(wèn)題也日益突出，這不僅影響模型的可持續(xù)發(fā)展，也引發(fā)了環(huán)保關(guān)注。此外，訓(xùn)練這些模型需要大量的數(shù)據(jù)輸入，這可能引發(fā)數(shù)據(jù)隱私和安全性問(wèn)題，尤其是當(dāng)涉及到敏感或個(gè)人信息時(shí)。最后，大型模型的復(fù)雜性和不透明性可能導(dǎo)致模型決策過(guò)程難以解釋?zhuān)�這在應(yīng)用于醫(yī)療、法律等需求高度透明和可解釋性的領(lǐng)域時(shí)，可能成為一個(gè)嚴(yán)重問(wèn)題。

2. 內(nèi)部復(fù)雜性小模型方法

提到大語(yǔ)言模型，人們最直觀(guān)的感受便是其高度“類(lèi)人”的輸出能力。Webb等人考察了ChatGPT的類(lèi)比推理能力[3]，發(fā)現(xiàn)它已涌現(xiàn)出了零樣本推理能力，能夠在沒(méi)有明確訓(xùn)練的情況下解決廣泛的類(lèi)比推理問(wèn)題。一些人認(rèn)為，如果像ChatGPT這樣的LLM確實(shí)能夠?qū)π睦韺W(xué)中的常見(jiàn)測(cè)量產(chǎn)生類(lèi)似人類(lèi)的響應(yīng)（例如對(duì)行動(dòng)的判斷、對(duì)價(jià)值的認(rèn)可、對(duì)社會(huì)問(wèn)題的看法），那么它們?cè)谖磥?lái)可能會(huì)取代人類(lèi)受試者群體。

2.1. 理論基礎(chǔ)

神經(jīng)元是神經(jīng)系統(tǒng)的基本結(jié)構(gòu)和功能單位，其主要組成部分包括細(xì)胞體、軸突、樹(shù)突和突觸。這些部分共同協(xié)作，完成信息的接收、整合和傳遞。以下將從神經(jīng)元模型、電信號(hào)在神經(jīng)元突起（樹(shù)突和軸突）中的傳導(dǎo)、突觸及突觸可塑性模型、帶有復(fù)雜樹(shù)突和離子通道的模型等方面講起，介紹神經(jīng)元模擬的理論基礎(chǔ)。

圖5：神經(jīng)元的結(jié)構(gòu)

2.1.1. 神經(jīng)元模型

離子通道

神經(jīng)元的離子通道和離子泵是調(diào)控神經(jīng)電信號(hào)傳遞的關(guān)鍵膜蛋白，它們控制著離子跨細(xì)胞膜的運(yùn)動(dòng)，從而影響神經(jīng)元的電活動(dòng)和信號(hào)傳遞。這些結(jié)構(gòu)確保了神經(jīng)元能夠維持或調(diào)節(jié)靜息電位、生成和傳遞動(dòng)作電位，是神經(jīng)系統(tǒng)功能的基礎(chǔ)。

離子通道是嵌在細(xì)胞膜中的蛋白質(zhì)通道，它們可以調(diào)控特定離子（如鈉、鉀、鈣和氯）的通過(guò)。電壓變化、化學(xué)信號(hào)或機(jī)械應(yīng)力等多種因素，控制這些離子通道的開(kāi)閉狀態(tài)，從而對(duì)神經(jīng)元的電活動(dòng)產(chǎn)生影響。

圖6：神經(jīng)元的離子通道和離子泵

等效電路

等效電路模型通過(guò)使用電路元件來(lái)模擬神經(jīng)細(xì)胞膜的電生理性質(zhì)，使得復(fù)雜的生物電現(xiàn)象可以在物理和工程的框架內(nèi)得到解釋和分析。等效電路模型，通常包括膜電容、膜電阻、電源這3個(gè)基本元件。

神經(jīng)元的細(xì)胞膜表現(xiàn)出電容性質(zhì)，這與細(xì)胞膜的磷脂雙分子層結(jié)構(gòu)有關(guān)。磷脂雙層的疏水核阻止離子自由通過(guò)，使得細(xì)胞膜具有很高的電絕緣性。當(dāng)細(xì)胞膜兩側(cè)的離子濃度不同，特別是在在離子泵的調(diào)節(jié)下，細(xì)胞膜兩側(cè)會(huì)形成電荷分離。由于細(xì)胞膜的絕緣性，這種電荷分離在細(xì)胞膜上形成了一個(gè)靜電場(chǎng)，使得細(xì)胞膜能儲(chǔ)存電荷。

電容元件被用來(lái)模擬這種儲(chǔ)存電荷的能力，其電容值取決于膜的面積和厚度。膜電阻主要通過(guò)離子通道的開(kāi)閉來(lái)調(diào)控，它直接影響膜電位的變化速度和細(xì)胞對(duì)電流輸入的響應(yīng)。電源代表由離子泵產(chǎn)生的離子跨膜濃度差引起的電化學(xué)勢(shì)差，這是維持靜息電位和驅(qū)動(dòng)動(dòng)作電位變化的驅(qū)動(dòng)力。

圖7：等效電路示意圖

HH模型

基于等效電路的思想，Alan Hodgkin和Andrew Huxley在20世紀(jì)50年代基于他們對(duì)烏賊巨神經(jīng)元的實(shí)驗(yàn)研究提出了HH（Hodgkin-Huxley）模型，模型中包括鈉（Na）、鉀（K）和漏電流（Leak Current）的電導(dǎo)，可以表示每種離子通道的開(kāi)啟程度，在模型中離子通道的開(kāi)閉進(jìn)一步通過(guò)門(mén)控變量描述，這些變量（m、h、n）具有電壓依賴(lài)性和時(shí)間依賴(lài)性。HH模型的方程為：

LIF模型

LIF模型，即泄漏整合發(fā)放模型（Leaky Integrate-and-Fire model），是神經(jīng)科學(xué)中一個(gè)常用的簡(jiǎn)化神經(jīng)元?jiǎng)幼麟娢坏臄?shù)學(xué)模型。該模型側(cè)重于描述膜電位[4-5]隨時(shí)間的變化情況，而忽略生物神經(jīng)元內(nèi)部的復(fù)雜離子動(dòng)態(tài)。

科學(xué)家們發(fā)現(xiàn)，當(dāng)給神經(jīng)元施加持續(xù)的電流輸入[6-7]時(shí)，神經(jīng)元的膜電位會(huì)隨之上升，直到達(dá)到某個(gè)閾值致使動(dòng)作電位發(fā)放，之后膜電位迅速?gòu)?fù)位，并重復(fù)這一過(guò)程。LIF模型雖然沒(méi)有描述具體的離子通道動(dòng)態(tài)，但由于其計(jì)算效率高，廣泛應(yīng)用于神經(jīng)網(wǎng)絡(luò)建模和理論神經(jīng)科學(xué)研究。其基本方程如下：

2.1.2. 電信號(hào)在神經(jīng)元突起（樹(shù)突和軸突）中的傳導(dǎo)：電纜理論

19世紀(jì)末至20世紀(jì)初，科學(xué)家們開(kāi)始認(rèn)識(shí)到，神經(jīng)元中的電信號(hào)可以通過(guò)軸突、樹(shù)突等細(xì)長(zhǎng)的神經(jīng)纖維進(jìn)行傳播。然而，隨著距離的增加，信號(hào)會(huì)發(fā)生衰減�？茖W(xué)家們需要一種理論工具來(lái)解釋電信號(hào)在神經(jīng)纖維中的傳播過(guò)程，特別是在長(zhǎng)距離上傳播時(shí)的電位變化規(guī)律。

1907年，物理學(xué)家赫爾曼（Wilhelm Hermann）提出了一個(gè)簡(jiǎn)單的理論框架，將神經(jīng)纖維比作電纜，以此描述電信號(hào)的擴(kuò)散過(guò)程。這一理論后來(lái)在20世紀(jì)中葉由霍奇金和赫胥黎等人進(jìn)一步發(fā)展，他們通過(guò)對(duì)神經(jīng)元的實(shí)驗(yàn)測(cè)量，確認(rèn)了離子流在信號(hào)傳播中的關(guān)鍵作用，并建立了與電纜理論相關(guān)的數(shù)學(xué)模型。

電纜理論的核心思想是將神經(jīng)纖維視為一段電纜，通過(guò)引入電阻、容等電學(xué)參數(shù)，模擬電信號(hào)（通常是動(dòng)作電位）在神經(jīng)纖維中的傳播過(guò)程。神經(jīng)纖維，如軸突和樹(shù)突，被視為一維的電纜，電信號(hào)沿著纖維長(zhǎng)度傳播；膜電活動(dòng)通過(guò)電阻和電容來(lái)描述，電流的傳導(dǎo)則受到纖維內(nèi)部電阻和膜漏電電阻的影響；信號(hào)在纖維中的傳播，隨著距離增加，逐漸衰減。

圖8.電纜理論示意圖

2.1.3. 多區(qū)室模型

在早期的神經(jīng)元建模中，如HH模型和電纜理論模型，神經(jīng)元被簡(jiǎn)化為一個(gè)點(diǎn)狀的“單一區(qū)室”，即只考慮膜電位在時(shí)間上的變化，而忽略了神經(jīng)元各個(gè)部分的空間分布。這些模型適合描述動(dòng)作電位的產(chǎn)生機(jī)制，但無(wú)法充分解釋信號(hào)在神經(jīng)元復(fù)雜的形態(tài)結(jié)構(gòu)（如樹(shù)突、軸突等）中的傳播特性。

隨著神經(jīng)科學(xué)對(duì)神經(jīng)元結(jié)構(gòu)復(fù)雜性的認(rèn)識(shí)不斷加深，科學(xué)家們意識(shí)到：不同部分的電位變化會(huì)有顯著差異，尤其是在具有長(zhǎng)樹(shù)突的神經(jīng)元中。樹(shù)突和軸突中的信號(hào)傳播不僅受到電信號(hào)的空間擴(kuò)散影響，還會(huì)因?yàn)榻Y(jié)構(gòu)復(fù)雜性而出現(xiàn)不同的響應(yīng)。因此，需要一種更精細(xì)的模型來(lái)描述神經(jīng)元中電信號(hào)的空間傳播，這就促使了多區(qū)室模型（Multi-compartmental model）的提出。

多區(qū)室模型的核心思想是將神經(jīng)元的樹(shù)突、軸突和細(xì)胞體分成多個(gè)相互連接的區(qū)室（compartments），每個(gè)區(qū)室使用類(lèi)似于電纜理論的方程來(lái)描述跨膜電位隨時(shí)間和空間的變化，通過(guò)多個(gè)區(qū)室的相互連接，模擬電信號(hào)在神經(jīng)元內(nèi)部的復(fù)雜傳播路徑，并反映不同區(qū)室之間的電位差異。這種處理方式可以精確描述電信號(hào)在神經(jīng)元復(fù)雜形態(tài)中的傳播，特別是樹(shù)突上的電信號(hào)衰減和放大現(xiàn)象。

具體來(lái)說(shuō)，神經(jīng)元被分成多個(gè)小區(qū)室，每個(gè)區(qū)室代表神經(jīng)元的一部分（如樹(shù)突、軸突或細(xì)胞體的一段）。每個(gè)區(qū)室用電路模型表示，電阻和電容用以描述膜的電學(xué)特性，跨膜電位由電流注入、擴(kuò)散和漏電等因素決定。鄰近區(qū)室通過(guò)電阻連接，電信號(hào)通過(guò)這些連接在區(qū)室間傳播�？缒る娢籚i在第i個(gè)區(qū)室中遵循類(lèi)似于電纜理論的微分方程：

在多區(qū)室模型中，某些區(qū)室（如細(xì)胞體或起始區(qū)）可產(chǎn)生動(dòng)作電位，而其他區(qū)室（如樹(shù)突或軸突）則主要負(fù)責(zé)電信號(hào)的傳播和衰減。信號(hào)通過(guò)不同區(qū)室之間的連接傳遞，樹(shù)突區(qū)的輸入信號(hào)最終可以整合到細(xì)胞體并引發(fā)動(dòng)作電位，動(dòng)作電位再沿著軸突傳播。

與單一區(qū)室模型相比，多區(qū)室模型能夠反映神經(jīng)元形態(tài)結(jié)構(gòu)的復(fù)雜性，尤其是在樹(shù)突和軸突等結(jié)構(gòu)中的電信號(hào)傳播過(guò)程。由于涉及多個(gè)區(qū)室之間的耦合微分方程，多區(qū)室模型常需通過(guò)數(shù)值方法（如歐拉法或Runge-Kutta方法）進(jìn)行求解。

2.2. 為什么要進(jìn)行生物神經(jīng)元的復(fù)雜動(dòng)態(tài)模擬？

Beniaguev等人的實(shí)驗(yàn)研究表明，由于大腦不同類(lèi)型神經(jīng)元的復(fù)雜樹(shù)突結(jié)構(gòu)和離子通道，單個(gè)神經(jīng)元具有與5-8層深度學(xué)習(xí)網(wǎng)絡(luò)相媲美的非凡計(jì)算能力[8]。

圖9:包含AMPA和NMDA突觸的L5皮層錐體神經(jīng)元模型，可以通過(guò)包含七個(gè)隱藏層的TCN（時(shí)間卷積網(wǎng)絡(luò)）來(lái)精確模擬，每個(gè)隱藏層有128個(gè)特征圖，歷史時(shí)長(zhǎng)為153毫秒。