MIT研究揭示大脑可塑性基本规则，当一个神经元突触增强时，它周围的神经元会变弱。这说明大脑内部的突触、神经元之间的连接可以由于学习和经验的影响建立新的连接，从而影响个体的行为。这一平衡是如何达到的？科学家们在研究中首次展示了这一过程。论文的第一作者MrigankaSur将这一行为比作海中的鱼群，只要领头的鱼转变了方向，其他的鱼会遵循它的轨迹，一起转向，在大海中呈现表演一场曼妙的“舞蹈”。神经突触是如何在神经元发挥可塑性上进行增减的呢？虽然这一发现的结论很简单，但是实验的过程却很复杂。科学家们在实验中改变神经元的“接受域”或它对应的视觉域触发了可塑性。他们通过改变神经元相关树突上的中心位置，监测突触的变化。用小鼠作为实验对象，在屏幕上的特定位置向小鼠展示目标，这个位置和神经元原始的接受域不同。每当目标处于他们想要诱导的新的感受野位置时，他们会在小鼠的视觉皮层区闪烁蓝光，加强神经元的反应，激发其他活动。通过光遗传学技术，他们重现大脑中单个神经元，并在活体组织中见证分子机制的多样性，他们让这些细胞通过突触可塑性整合成新功能。研究团队还进行了“单眼剥夺”实验，他们暂时蒙蔽了老鼠的一只眼睛，与闭上的眼睛相关的神经元中的突触会减弱，而睁开眼睛的突触会增强。研究人员监测了这一活动，并发现随着突触的增强，周围的突触会削弱自身进行补偿。这一发现和机器学习有什么关系呢？长久以来，深度学习界的研究者们认为，对人类大脑的模拟是推动神经网络进步的重要手段。人工神经网络是一种模仿生物神经网络的结构和功能的数学模型或计算模型，用于对函数进行估计或近似。深度神经网络在最初提出的时候，显然是借鉴人脑的，权值更新规则是生物学中著名的Hebb’srule。YannLeCun在提出CNN的时候借鉴了人脑视觉处理分层的机制，并且CNN产生了和人脑非常一致的激活模式。强化学习和人脑的多巴胺系统也有着非常重要的联系。DeepMind在上个月也发表论文，他们利用元学习框架，让多巴胺系统训练大脑的前额叶皮质层，使其学会独立学习，从而将这一机制应用于AI上。虽然神经网络发展到已经可以玩游戏、查找路线了，但是想要做更复杂的动作仍然非常困难，并且需要依赖数千小时的训练才能达到甚至超越人类水平。在这一背景下，MIT的这项研究揭示了一项非常基础的人脑活动规则，虽然不涉及具体的优化机制或BP算法，但是它们对神经网络的学习和进一步发展具有重要意义。