脑建模先驱称深度学习可靠性欠佳 新书解释ART模型为何更好

更确切地说 —— 即使算法确实有效，深度学习工具也可能在缓慢学习新数据库的过程中无法做到完全理解。

如此一来，其学习记忆的任何部分，可能会遭遇突然的崩溃。在任何生死攸关的场景下（比如医疗类应用程序），深度学习应用都存在着这方面的风险。

为了让大家更好地理解深层次的原因，IEEE 研究员 Stephen Grossberg 认为需要一种完全不同的替代方法，并在《大脑是如何形成一个意识的？》新书出给出了详细的解释。

书中分享了其在生物认知、神经研究、以及人工智能替代模型等领域积攒的数十年经验，并且介绍了所谓的“自适应共振理论（ART）模型”。

作为博士顿大学认知和神经系统、数学与统计学、心理与脑科学、以及生物医学工程领域的杰出教授，ART 建立在有关大脑是如何处理信息的理论基础之上。

Stephen Grossberg 表示：“在充满意外事件和不断变化的世界中，我们的大脑学会了辨别物体和预测事件”。

基于这种动态，ART 可借助有监督 / 无监督的学习方法，来解决模式识别和预测等方面的问题。

该理论算法已被包含在大规模应用中，例如对声呐和雷达信号进行分类、检测睡眠呼吸暂停、推荐影视资源、以及基于计算机视觉的驾驶辅助软件。

Stephen Grossberg 强调 —— 得益于可解释的特性，ART 模型可被放心使用，而不会遭遇灾难性的遗忘。

此外 ART 解决了所谓的“稳定性-可塑性”困境，即大脑（或其它学习系统）如何能够在不经历灾难性遗忘（稳定性）的情况下展开快速自主学习（可塑性）。

据悉，作为大脑意识研究的先驱，Grossberg 于 1976 年制定了 ART 模型。

他是波士顿大学适应性系统中心的创始人和主任，同时也是教育、科学与技术卓越学习中心的创始主任。两个中心都试图了解大脑的学习和适应过程，并根据相应的发现来打造技术应用。

2017 年的时候，Grossberg 因在理解大脑认知与行为方面的贡献和技术模拟研究成果，而获授 IEEE 的 Frank Rosenblatt 大奖（以康奈尔大学教授兼‘深度学习之父’而命名的奖项）。

最后，Grossberg 在近 800 页的新书中揭解释了大脑是如何产生思想、感觉、希望、感知、以及计划的，并且特别描述了尝试解释这种情况时如何发生的生物神经模型。

值得一提的是，书中还对阿尔兹海默病、自闭、健忘、以及创伤后应激障碍（PTSD）等疾病展开了追根溯源。

与此同时，了解大脑是如何产生思想的，对于计算机科学、工程技术、AI 机器人等领域的智能系统设计也至关重要。