The Brain May Learn About the World the Same Way Some Computational Models Do
Introduction
為了在這個世界中生存，我們的大腦必須對周遭的物理世界有一種直觀的理解，我們再把這種理解應用於詮釋輸入大腦的感官訊息。那麼，大腦是如何開發這種直觀理解的呢？許多科學家認為，它可能使用一種被稱為「自監督學習」的過程。這種機器學習方法最初是為了建立更高效的計算機視覺模型而開發的，它允許計算模型僅基於它們之間的相似性和差異性來學習有關視覺場景的訊息，而不需要標籤或其他訊息。麻省理工學院的 K. Lisa Yang 整合計算神經科學中心（ICoN 中心）的研究人員進行的一項研究提供了新的證據，支援這一假設。
Research Findings
這項研究表明，當研究人員使用特定型別的自監督學習來訓練神經網路模型時，所得到的模型產生的活動模式非常類似於執行相同任務的動物大腦中觀察到的活動模式。這些發現表明，這些模型能夠學習有關物理世界的表徵，並能夠用於對該世界中可能發生的事情進行準確的預測，而哺乳動物的大腦可能正在使用相同的策略。
研究人員表示：“我們的工作主題是，為了幫助構建更好的機器人，人工智慧（AI）也成為更好地理解大腦的框架。我們尚不能確保它是否涉及整個大腦，但是在不同尺度和不同的大腦區域中，我們的結果似乎暗示了一種組織原則。”
Implications
這項研究對於我們理解大腦如何獲取對物理世界的直觀理解具有重要的啟發作用。這也提供了計算模型和人工智慧領域的發展的新方向，為構建更接近自然智慧的人工系統提供了可能性。
這些研究結果還有助於推動腦神經科學的發展，幫助我們更深入地理解大腦的工作原理和認知功能。
Editorial
這項研究為我們理解大腦和計算模型之間的關係提供了新的證據。自監督學習是一種令人振奮的方法，它使得計算模型能夠從大量的未標記資料中學習有用的訊息。這種方法在計算機視覺領域已經得到了廣泛應用，並取得了令人印象深刻的成果。
不僅如此，這項研究還揭示了大腦學習的一個重要機制，即僅透過觀察物理世界中的相似性和差異性，大腦就能夠建立對這個世界的直觀理解。這種機制可能是大腦如何預測未來事件和行動的基礎。
這項研究的發現也觸及了哲學上的一個重要問題：意識和直觀知識的形成。它們提供了一個在機械模型和生物神經系統之間建立聯絡的方法，為我們對意識和認知的本質有進一步的理解提供了一個有趣的角度。
Advice
這項研究的結果為人工智慧領域的發展提供了新的方向。透過將自監督學習應用於更多的認知功能模型，我們可以建立更接近自然智慧的人工系統。這對於構建更強大、更靈活的機器人和智慧系統具有重要的影響。
此外這項研究還提醒我們要關注大腦學習的機制以及其與機器學習模型之間的相似性。這可以幫助我們更好地理解人類認知的基礎和意識的本質。
總而言之，這項研究揭示了大腦和計算模型之間令人驚訝的相似性，並為我們提供了探索意識和認知的新方向。隨著我們對大腦和人工智慧的理解不斷深入，我們可以期待更多的發現和創新。
