科学家们将机器学习(一种人工智能系统)与一个眇小的大脑3D模型结合起来。

为了提高人工智能(AI)的打算能力，研究职员将普通的机器学习与在实验室中培养的不同类型脑组织制成的繁芜的人类大脑3D模型结合起来。

这些大脑的微型模型被称为脑类器官或“迷你大脑”，自2013年以来以各种形式存在。
但它们从未被用来增强人工智能。

新的研究利用更传统的打算硬件将电子数据输入到类器官中，然后破译类器官的活动以产生输出——因此类器官只是作为打算过程的“中间层”。

虽然这种方法远不能仿照大脑的真实构造或其事情事理，但它可能为创造生物打算机供应了早期的一步，生物打算机将借鉴生物学的技巧，使它们比传统打算机更强大、更节能。
它还可以让我们更深入地理解人类大脑是如何运作的，以及它是如何受到神经退行性疾病(如阿尔茨海默病和帕金森病)的影响的。

在周一(12月11日)揭橥在《自然电子学》杂志上的这项新研究中，研究职员利用了一种称为水库打算的技能;在这种情形下，类器官充当“储存库”。
在这样的系统中，储层存储信息并对输入的信息作出反应。
算法学会识别由不同输入触发的储层变革，然后将这些变革转化为输出。

利用这个框架，研究职员通过电极向大脑类器官供应电输入，将其插入到这个别系中。

基本上，研究职员可以将信息——比如图像或音频信息——编码成电刺激的时空模式。

换句话说，类器官根据来自电极的电流的韶光和空间分布做出不同的反应。
该算法学会理解释类器官对这种刺激的电反应。

虽然大脑类器官比真正的大脑大略得多——它实质上是一个脑细胞的小球体——但它有一些适应和改变刺激的能力。
不同类型的脑细胞、不同发育阶段的细胞以及类器官中的类脑构造的反应，供应了我们大脑对电旗子暗记的反应办法的粗略仿照。
大脑的这种变革增强了我们的学习能力。

利用这种非常规的硬件，研究职员演习他们的稠浊算法来完成两种类型的任务:一种与语音识别有关，另一种与数学有关。
在前者中，打算机从数百个音频样本中识别日语元音的准确率约为78%。
它在办理数学任务时相称准确，但比传统类型的机器学习轻微差一些。

这项研究标志着大脑类器官首次被用于人工智能，但之前的研究以类似的办法利用了更大略的实验室培养的神经组织。
例如，科学家将脑组织与一种强化学习形式交织在一起，强化学习是一种机器学习，可能与人类和其他动物的学习办法更相似，而不是存储库打算。

未来的研究可能会考试测验将大脑类器官与强化学习结合起来。

创造生物打算机的上风之一是能源效率，由于我们的大脑利用的能量比本日前辈的打算系统要少得多。
但这种技能可能还须要几十年的韶光才能用于制造通用的生物打算机。

虽然类器官还不能完备复制人类大脑，但希望这项技能能让科学家更好地理解大脑是如何事情的，包括在阿尔茨海默氏症等疾病中。
例如，复制大脑的构造(用类器官)和功能(用打算)可以让研究职员更好地理解大脑的构造与学习和认知之间的关系。

就像一样平常的类器官一样，这些打算系统有望帮助取代动物身上的药物测试，这既会引发伦理问题，又不会总是产生有用的结果，由于动物与人类有很大的不同。
将从人类脑组织中提取的类器官纳入药物测试可以帮助缩小这一差距。