在过去一年左右的时间里，ChatGPT 和 DALL-E 等生成式人工智能模型使得通过一系列简单的提示生成大量明显类似人类的高质量创意内容成为可能。
尽管当前的人工智能系统能力很强，尤其是在大数据模式识别任务中远远优于人类，但其智能程度却与我们不同。 人工智能系统的结构与我们的大脑不同，学习方式也不同。
人工智能系统还使用广阔的用于训练的能量和资源（与我们每天大约三餐相比）。 与我们相比，它们在动态、难以预测和嘈杂的环境中适应和发挥作用的能力较差，并且缺乏类似人类的记忆能力。
我们的研究探索更像人类大脑的非生物系统。 在一项新研究出版于科学进步我们发现，由微小银线组成的自组织网络的学习和记忆方式似乎与我们大脑中的思维硬件非常相似。
模仿大脑
我们的工作是神经形态学研究领域的一部分，该领域旨在复制非生物系统中生物神经元和突触的结构和功能。
我们的研究重点是一个使用“纳米线”网络来模仿大脑中的神经元和突触的系统。
这些纳米线是细小的金属丝，大约是人类头发丝宽度的千分之一。 它们由高导电金属（例如银）制成，通常涂有塑料等绝缘材料。
纳米线自组装形成类似于生物神经网络的网络结构。 就像具有绝缘膜的神经元一样，每根金属纳米线都涂有一层薄薄的绝缘层。
当我们用电信号刺激纳米线时，离子会穿过绝缘层迁移到相邻的纳米线中（很像神经递质穿过突触）。 结果，我们在纳米线网络中观察到类似突触的电信号传导。
学习与记忆
我们的新工作使用这种纳米线系统来探索类人智能的问题。 我们研究的核心是表明高阶认知功能的两个特征：学习和记忆。
我们的研究表明，我们可以选择性地加强（和削弱）纳米线网络中的突触通路。 这类似于“监督学习”在大脑中。
在此过程中，突触的输出与期望的结果进行比较。 然后突触被加强（如果它们的输出接近期望的结果）或修剪（如果它们的输出不接近期望的结果）。
我们扩展了这一结果，表明我们可以通过“奖励”或“惩罚”网络来增加强化程度。 这个过程的灵感来自于“强化学习”在大脑中。
我们还实施了一个名为“n 回任务“它用于测量人类的工作记忆。它涉及呈现一系列刺激并将每个新条目与一些步骤（n）前发生的条目进行比较。
网络“记住”了之前的信号至少七个步骤。 奇怪的是，七常常被认为是平均项目数人类可以一次性保存在工作记忆中。
当我们使用强化学习时，我们看到网络的记忆性能有了显着的提高。
在我们的纳米线网络中，我们发现突触通路的形成取决于这些突触过去的激活方式。 大脑中的突触也是如此，神经科学家称之为“化塑性”。
综合智能
人类智能距离被复制可能还有很长的路要走。
尽管如此，我们对神经形态纳米线网络的研究表明，有可能在非生物物理硬件中实现智能所必需的功能，例如学习和记忆。
纳米线网络不同于人工智能中使用的人工神经网络。 尽管如此，它们仍可能导致所谓的“合成智能”。
也许有一天，神经形态纳米线网络可以学会进行比 ChatGPT 更接近人类的对话，并记住它们。
