現在很多AI應用模型，都必須提到一個模型結構：
Transformer。
它拋棄了傳統的CNN和RNN，完全由Attention機制組成。
Transformer不僅賦予了各種AI應用模型寫文作詩的功能，而且在多模態方面也大放異彩。
尤其是ViT（Vision Transformer）出來之後，CV和NLP之間的模型壁壘被打破，僅使用Transformer一個模型就能夠處理多模態的任務。
（誰看完不得感嘆一句它的強大啊）
雖然一開始Transformer是為語言任務而設計的，但它在模仿大腦方面也有著很大的潛力。
這不，有位科學作家寫了篇博客，就是關於Transformer是如何進行大腦建模的。
來康康他是怎麼說的？
首先，還要整理它的演變過程。
Transformer機制在5年前首次出現，它能夠有這麼強大的表現，很大程度上歸功於其Self-attention機制。
至於Transformer是如何模仿大腦的，繼續往下看。
在2020年，奧地利電腦科學家Sepp Hochreiter的研究團隊利用Transformer重組了Hopfield神經網路 （一種記憶檢索模型，HNN）。
其實，Hopfield神經網路在40年前就已經被提出，而研究團隊之所以時隔數十年選擇重組這個模型原因如下：
其一，這個網路遵循一個普遍的規律：同時活躍的神經元之間彼此會建立強烈的連結。
其二，Hopfield神經網路在檢索記憶的過程中與Transformer執行Self-attention機制時有一定的相似之處。
所以研究團隊便將HNN進行重組，讓各個神經元之間建立更好的聯繫，以便儲存和檢索更多的記憶。
重組的過程，簡單來說，就是把Transformer的注意力機制融合進HNN，讓原來不連續的HNN變成可連續態。
重組之後的Hopfield網路可以作為層整合到深度學習架構中，以允許儲存和存取原始輸入數據、中間結果等。
因此，Hopfield本人和麻省理工學院沃森人工智慧實驗室的Dmitry Krotov都稱：
基於Transformer的Hopfield神經網路在生物學上是合理的。
雖說這在某種程度上與大腦的工作原理相像，但在某些方面還不夠準確。
因此，計算神經科學家Whittington和Behrens調整了Hochreiter的方法，對重組後的Hopfield網絡做出了一些修正，進一步提高了該模型在神經科學任務中（複製大腦中的神經放電模式）的表現。
簡單來說，就是在編碼-解碼時，模型不再把記憶編碼為線性序列，而是將其編碼為高維空間中的座標。
具體而言，就是在模型中引入了TEM（Tolman-Eichenbaum Machine）。
TEM是為了模仿海馬體的空間導航作用而建構的關聯記憶系統。
它能夠概括空間和非空間的結構知識，預測在空間和關聯記憶任務中觀察到的神經元表現，並解釋在海馬迴和內嗅皮質中的重新映射現象。
將擁有這麼多功能的TEM與Transformer合併，組成TEM-transformer（TEM-t）。
然後，再讓TEM-t模型在多個不同的空間環境中進行訓練，環境的結構如下圖所示。
在TEM-t中，它依舊擁有Transformer的Self-attention機制。如此一來，模型的學習成果便能遷移到新環境中，用於預測新的空間結構。
研究也顯示，相較於TEM，TEM-t在進行神經科學任務時效率更高，而且它也能在更少學習樣本的情況下處理更多的問題。
Transformer在模仿大腦模式的道路上越來越深入，其實換句話說，Transformer模式的發展也不斷促進我們理解大腦功能的運作原理。
不僅如此，在某些方面，Transformer還能提高我們對大腦其他功能的理解。
比如說，在去年，計算神經科學家Martin Schrimpf分析了43種不同的神經網路模型，以觀察它們對人類神經活動測量結果：功能磁共振成像（fMRI）和皮層腦電圖（EEG）報告的預測能力。
其中，Transformer模型幾乎可以預測成像中發現的所有變化。
倒推一下，或許我們也可以從Transformer模型中預見大腦對應功能的運作。
除此之外，最近電腦科學家Yujin Tang和David Ha設計了一個模型，可以透過Transformer模型以隨機、無序的方式有意識地發送大量數據，模擬人體如何向大腦傳輸感官觀察結果。
這個Transformer就像人類的大腦一樣，能夠成功地處理無序的訊息流。
雖然Transformer模型不斷進步，但也只是朝著精確腦模型邁出的一小步，到達終點還需要更深入的研究。
如果想詳細了解Transformer是如何模仿人腦的，可以戳下方連結～
[1]https://www.quantamagazine.org /how-ai-transformers-mimic-parts-of-the-brain-20220912/
[2]https://www.pnas.org/doi/10.1073/pnas.2105646118
[3]https://openreview.net/forum?id=B8DVo9B1YE0
以上是Transformer模仿大腦，在預測大腦成像上超越42個模型，也能夠模擬感官與大腦之間的傳輸的詳細內容。更多資訊請關注PHP中文網其他相關文章！
