現(xiàn)在很多AI應(yīng)用模型，都不得不提到一個模型結(jié)構(gòu)：

Transformer。

它拋棄了傳統(tǒng)的CNN和RNN，完全由Attention機(jī)制組成。

Transformer不僅賦予了各種AI應(yīng)用模型寫文作詩的功能，而且在多模態(tài)方面也大放異彩。

尤其是ViT（Vision Transformer）出來之后，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(tài)的任務(wù)。

（誰看完不得感嘆一句它的強(qiáng)大啊）

雖然一開始Transformer是為語言任務(wù)而設(shè)計(jì)的，但它在模仿大腦方面也有著很大的潛力。

這不，有位科學(xué)作家寫了篇博客，就是關(guān)于Transformer是如何進(jìn)行大腦建模的。

來康康他是怎么說的？

Transformer：做大腦做的事

首先，還得梳理一下它的演變過程。

Transformer機(jī)制在5年前首次出現(xiàn)，它能夠有這么強(qiáng)大的表現(xiàn)，很大程度上歸功于其Self-attention機(jī)制。

至于Transformer是如何模仿大腦的，繼續(xù)往下看。

在2020年，奧地利計(jì)算機(jī)科學(xué)家Sepp Hochreiter的研究團(tuán)隊(duì)利用Transformer重組了Hopfield神經(jīng)網(wǎng)絡(luò) （一種記憶檢索模型，HNN）。

其實(shí)，Hopfield神經(jīng)網(wǎng)絡(luò)在40年前就已經(jīng)被提出，而研究團(tuán)隊(duì)之所以時隔數(shù)十年選擇重組這個模型原因如下：

其一，這個網(wǎng)絡(luò)遵循一個普遍的規(guī)律：同時活躍的神經(jīng)元之間彼此會建立很強(qiáng)的聯(lián)系。

其二，Hopfield神經(jīng)網(wǎng)絡(luò)在檢索記憶的過程中與Transformer執(zhí)行Self-attention機(jī)制時有一定的相似之處。

所以研究團(tuán)隊(duì)便將HNN進(jìn)行重組，讓各個神經(jīng)元之間建立更好的聯(lián)系，以便存儲和檢索更多的記憶。

重組的過程，簡單來說，就是把Transformer的注意力機(jī)制融合進(jìn)HNN，使原來不連續(xù)的HNN變?yōu)榭蛇B續(xù)態(tài)。

△圖源：維基百科

重組之后的Hopfield網(wǎng)絡(luò)可以作為層集成到深度學(xué)習(xí)架構(gòu)中，以允許存儲和訪問原始輸入數(shù)據(jù)、中間結(jié)果等。

因此，Hopfield本人和麻省理工學(xué)院沃森人工智能實(shí)驗(yàn)室的Dmitry Krotov都稱：

基于Transformer的Hopfield神經(jīng)網(wǎng)絡(luò)在生物學(xué)上是合理的。

雖說這在一定程度上與大腦的工作原理相像，但在某些方面還不夠準(zhǔn)確。

因此，計(jì)算神經(jīng)科學(xué)家Whittington和Behrens調(diào)整了Hochreiter的方法，對重組后的Hopfield網(wǎng)絡(luò)做出了一些修正，進(jìn)一步提高了該模型在神經(jīng)科學(xué)任務(wù)中（復(fù)制大腦中的神經(jīng)放電模式）的表現(xiàn)。

△Tim Behrens （左） James Whittington（右） 圖源：quantamagazine

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坐標(biāo)。

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(dǎo)航作用而構(gòu)建的一個關(guān)聯(lián)記憶系統(tǒng)。

它能夠概括空間和非空間的結(jié)構(gòu)知識，預(yù)測在空間和關(guān)聯(lián)記憶任務(wù)中觀察到的神經(jīng)元表現(xiàn)，并解釋在海馬和內(nèi)嗅皮層中的重新映射現(xiàn)象。

將擁有這么多功能的TEM與Transformer合并，組成TEM-transformer（TEM-t）。

然后，再讓TEM-t模型在多個不同的空間環(huán)境中進(jìn)行訓(xùn)練，環(huán)境的結(jié)構(gòu)如下圖所示。

在TEM-t中，它依舊擁有Transformer的Self-attention機(jī)制。這樣一來，模型的學(xué)習(xí)成果便能遷移到新環(huán)境中，用于預(yù)測新的空間結(jié)構(gòu)。

研究也顯示，相較于TEM，TEM-t在進(jìn)行神經(jīng)科學(xué)任務(wù)時效率更高，而且它也能在更少學(xué)習(xí)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(shí)換句話說，Transformer模式的發(fā)展也在不斷促進(jìn)我們理解大腦功能的運(yùn)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。

Transformer幫助我們理解大腦

比如說，在去年，計(jì)算神經(jīng)科學(xué)家Martin Schrimpf分析了43種不同的神經(jīng)網(wǎng)絡(luò)模型，以觀察它們對人類神經(jīng)活動測量結(jié)果：功能磁共振成像（fMRI）和皮層腦電圖（EEG）報(bào)告的預(yù)測能力。

其中，Transformer模型幾乎可以預(yù)測成像中發(fā)現(xiàn)的所有變化。

倒推一下，或許我們也可以從Transformer模型中預(yù)見大腦對應(yīng)功能的運(yùn)作。

除此之外，最近計(jì)算機(jī)科學(xué)家Yujin Tang和 David Ha設(shè)計(jì)了一個模型，可以通過Transformer模型以隨機(jī)、無序的方式有意識地發(fā)送大量數(shù)據(jù)，模擬人體如何向大腦傳輸感官觀察結(jié)果。

這個Transformer就像人類的大腦一樣，能夠成功地處理無序的信息流。

雖然Transformer模型在不斷進(jìn)步，但也只是朝著精確大腦模型邁出的一小步，到達(dá)終點(diǎn)還需要更深入的研究。

如果想詳細(xì)了解Transformer是如何模仿人腦的，可以戳下方鏈接～

參考鏈接：

[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?