近期，一個(gè)希臘的研究團(tuán)隊(duì)透過(guò)將仿生學(xué)的特征融入AI，創(chuàng)造更小、更智能的系統(tǒng)。它模仿我們的大腦處理信息的方式，提高它們?cè)谧R(shí)別模式和做出決策方面的效率。這將帶來(lái)更有效率的AI應(yīng)用。

FORTH分子生物學(xué)和生物技術(shù)研究所（IMBB）Panayiota Poirazi博士的團(tuán)隊(duì)在《自然通訊》期刊上發(fā)表了一篇新文章，提出了一種新型人工神經(jīng)元架構(gòu)，該架構(gòu)結(jié)合了生物樹(shù)突的不同特征，并在各種圖像識(shí)別情境中進(jìn)行了測(cè)試。

樹(shù)突是神經(jīng)細(xì)胞的分支延伸，類似樹(shù)枝。它們的主要功能是接收來(lái)自其他神經(jīng)元的信息，并將其傳遞到細(xì)胞本體。多年來(lái)，樹(shù)突在信息處理中的作用尚不清楚，但最近的研究顯示，它們可以獨(dú)立于主要神經(jīng)元執(zhí)行復(fù)雜的計(jì)算。此外，樹(shù)突對(duì)于大腦的可塑性至關(guān)重要，即大腦適應(yīng)不斷變化的環(huán)境的能力。

研究結(jié)果顯示，這些樹(shù)突狀人工神經(jīng)網(wǎng)絡(luò)（ANN）更能抵抗過(guò)度擬合，并且在使用更少的資源（即可訓(xùn)練參數(shù)和學(xué)習(xí)步驟）的情況下，可以達(dá)到或超越傳統(tǒng)ANN的性能。

這種改進(jìn)來(lái)自一種獨(dú)特的學(xué)習(xí)方法，其中網(wǎng)絡(luò)中的多個(gè)節(jié)點(diǎn)有助于不同類別的編碼。這與傳統(tǒng)的ANN相反，后者大多數(shù)節(jié)點(diǎn)都是針對(duì)特定類別的?？傮w而言，研究表明，結(jié)合樹(shù)突特征可以使ANN更智能、更有效率。