在我们的日常生活中，大脑需要处理大量的信息。然而，这些信息是如何在有限的资源下被有效地处理的呢？最近的一项研究为我们揭示了这一奥秘。

该研究由剑桥大学的科学家们进行，他们使用了一种名为空间嵌入循环神经网络（seRNNs）的特殊人工智能模型。当科学家们给这个人工智能模型施加资源限制时，它开始展现出一些类似于人类大脑的特征。这种模型发展出了类似于大脑中那些高效处理信息的网络结构。

想象一下，如果你正在组织一个大型派对，你需要安排食物、饮料、音乐和活动。但是你的预算有限，不能买所有你想要的东西。所以，你需要在不同的选项之间做出选择，确保你的派对既有趣又在预算之内。

这就像大脑在发展过程中所做的事情。它需要决定如何最好地使用其有限的资源（比如能量和空间）来处理信息和学习新事物。大脑里的神经元互相连接形成网络，每个神经元都有一定的空间占用和能量消耗。因此，大脑需要在这些限制下找到一种高效的方式来传递和处理信息。seRNNs被设计成在学习任务的同时，也要考虑如何有效地使用其“资源”。这些资源可以是连接不同神经元的“线路”的数量和长度。在真实的大脑中，这些线路需要物理空间，并且消耗能量。因此，大脑必须找到一种方式，在有限的资源下，尽可能有效地工作。

研究团队设计了一个人工系统，旨在模拟人类大脑的工作方式。这个系统使用计算节点代替神经元，在虚拟空间中定位，并通过物理距离决定节点之间的通信难度。

关键在于对系统施加了物理约束，模拟了人类大脑中昂贵的神经连接，使得远距离节点连接更加困难。系统被赋予了一个简化版的迷宫导航任务，需要综合多个信息片段找到最短路径。

初始阶段，系统并不知道如何完成任务，会出错。但通过反馈，系统逐渐学会了更好地执行任务，通过调整节点间的连接强度来学习，类似于人类大脑中神经细胞之间连接的调整。

在物理约束的影响下，系统开始采用与人类大脑相似的策略解决任务。例如，发展出了高度连接的枢纽节点，用于信息传递。节点的响应特征也变得更加灵活，能够编码迷宫的多种属性。

这项研究的目的是通过创建空间嵌入的循环神经网络（seRNNs）模拟大脑工作方式，深入理解大脑如何在有限资源下处理信息和学习新事物。

研究还探索了塑造大脑结构和功能组织的约束，对神经科学领域具有基本意义。通过理解这些约束，可以更好地了解大脑的运作原理。

此外，该研究对人工智能的发展也具有重要价值。通过模仿大脑的工作方式，为设计更高效、更智能的AI系统提供灵感和指导。

深入理解大脑在资源有限情况下的工作方式，可能对医学和心理健康领域有所帮助。例如，揭示某些神经退行性疾病或心理健康问题的根本原因。

最后，该研究展示了神经科学和人工智能领域之间的成功合作，强调了跨学科研究在解决复杂科学问题中的重要性。

详细：https://cam.ac.uk/research/news/ai-system-self-organises-to-develop-features-of-brains-of-complex-organisms…

论文：https://nature.com/articles/s42256-023-00748-9