研究提出基于循环的通用计算记忆机制,长序列泛化远超 Transformer
用大脑网格细胞做记忆架构,训练只看 40 个符号,测试能反转一万五千个符号的字符串,Transformer 做不到的 5 个任务它都解了。
用大脑网格细胞做记忆架构,训练只看 40 个符号,测试能反转一万五千个符号的字符串,Transformer 做不到的 5 个任务它都解了。
一篇研究论文:Vis-Lens 把 VAE 和扩散模型结合起来,能生成让神经元或脑区“最喜欢”看的图像,比之前的方法更真实,还不用逐图优化。
Google 和斯坦福搞了个教学关卡,让中学生扮演科学家去绘制大脑神经通路,顺便理解人在 AI 开发里的作用,适合老师拿去用。
把 139 只小鼠 276 个脑区的神经记录做成基准,专测预训练模型跨动物迁移,做神经+AI 的能直接拿来跑。
这项研究戳破了 AI 领域的一个常见误解——神经网络并不像大脑。做 AI 研究或对认知科学感兴趣的读者,看完会对模型设计有新的思考。
神经科学和AI交叉领域的研究者会感兴趣——Topo-Omni用单一模型统一了多模态皮层地图,还能预测新脑区,做认知建模或脑启发AI的团队值得关注。
AI内部状态研究正在揭示与人类情感相似的结构,做AI安全或可解释性研究的团队值得关注——这可能会改变我们对AI意识的理解方式。