一项研究发现，人类的思维仍然比人工智能更优越、更高效。
牛津大学的研究表明，大脑的工作方式比机器学习算法更快，而且根本不同。
牛津大学的研究表明，大脑的工作方式比机器学习算法更快，而且根本不同。
动物，包括人类，可以在看到一次后学习，不需要花费更多的时间和精力来解决问题。
然而，人工智能依赖于完善所有可能的解决方案，以减少在确定最终答案之前出现错误的可能性。
这种反复试验的方法被称为“反向传播”。计算机就是为此而设计的，人们认为人类也是如此。
然而，牛津大学的研究发现，人类采用了一种被称为“前瞻性配置”的心理技术，在这种技术中，大脑以一种促进学习和更容易记住事物的方式布局神经元。
科学家们说，这种能力加快了学习过程，还允许在不破坏之前的课程的情况下吸收更多信息，这是机器学习算法难以解决的问题。
“Brain-inspired硬件”
该研究的第一作者宋宇航博士表示，计算机在人类的学习方式上比较慢，“因为它们的运作方式与生物大脑有着根本的不同”。
然而，牛津大学的科学家们认为，有可能将这一过程应用于人工智能，创造出一种将人工智能的力量与人类思维的效率相结合的计算机大脑。
宋博士补充说:“需要开发一种新型的计算机或专用的大脑启发硬件，以便能够快速实现预期的配置，并且消耗很少的能量。”
吸收新信息的不同方法是在研究表明让神经元进入预期配置减少干扰并更好地解释先前关于神经活动和人类行为的研究数据后理论化的。
科学家们说，可以想象两只熊接近一条满是鱼的河，一只有人工智能的大脑，另一只有自然的大脑。这两种动物都能听到水的声音，闻到鱼的味道。
人工智能熊将声音和气味结合起来，推断出河里有食物。然而，自然的大脑可以区分这两种感觉。
所以如果这些熊聋了，人工智能熊会认为因为没有声音，就没有食物。相比之下，有机大脑能够意识到，虽然声音消失了，但气味还在，食物还在。
知识差距
这项研究还处于早期阶段，研究小组希望进一步的工作可以揭示更多关于大脑如何工作的细节，以及是什么支撑了敏捷、灵活的思维。
该研究的首席研究员Rafal Bogacz教授说:“目前，在执行前瞻性配置的抽象模型和我们对大脑网络解剖的详细知识之间存在很大差距。”Rafal Bogacz教授来自MRC大脑网络动力学单元和牛津大学纳菲尔德临床神经科学系。
“我们小组未来的研究旨在弥合抽象模型和真实大脑之间的差距，并了解如何在解剖学上确定的皮层网络中实现预期配置的算法。”
研究结果发表在《自然神经科学》杂志上。