Tôi biết câu hỏi / tiêu đề của tôi không cụ thể lắm, vì vậy tôi sẽ cố gắng làm rõ nó:
Mạng lưới thần kinh nhân tạo có thiết kế tương đối nghiêm ngặt. Tất nhiên, nhìn chung, chúng bị ảnh hưởng bởi sinh học và cố gắng xây dựng một mô hình toán học của các mạng thần kinh thực sự, nhưng sự hiểu biết của chúng ta về các mạng thần kinh thực sự là không đủ để xây dựng các mô hình chính xác. Do đó, chúng tôi không thể hình dung được các mô hình chính xác hoặc bất cứ thứ gì có "gần" các mạng thần kinh thực sự.
Theo tôi biết, tất cả các mạng lưới thần kinh nhân tạo đều cách xa mạng lưới thần kinh thực sự. MLP tiêu chuẩn, cổ điển được kết nối đầy đủ không có trong sinh học. Các mạng nơ-ron tái phát thiếu tính dẻo dai thực sự, mỗi nơ-ron của RNN có cùng "kiến trúc phản hồi" trong khi các nơ-ron thực sự lưu và chia sẻ thông tin của chúng khá riêng lẻ. Mạng thần kinh chuyển đổi là hiệu quả và phổ biến, nhưng (ví dụ) xử lý hình ảnh trong não người chỉ bao gồm một vài lớp chập trong khi các giải pháp hiện đại (như GoogLeNet) đã sử dụng hàng chục lớp ... và mặc dù chúng đang tạo ra kết quả tuyệt vời cho máy tính , chúng thậm chí không gần với hiệu suất của con người. Đặc biệt là khi chúng ta nghĩ đến "hiệu suất trên mỗi lớp", vì chúng ta cần một lượng lớp và dữ liệu giảm khá cao so với các mạng thần kinh thực sự.
Ngoài ra, theo hiểu biết của tôi, ngay cả các mạng nơ ron nhân tạo mô đun, tự mở rộng / tự tái cấu trúc cũng khá "cố định và tĩnh" so với khả năng thích ứng rất lớn của các mạng thần kinh thực. Tế bào thần kinh sinh học thường có hàng ngàn sợi nhánh kết nối nơ-ron với rất nhiều khu vực khác nhau và các nơ-ron khác. Mạng lưới thần kinh nhân tạo là cách "đơn giản" hơn.
Vì vậy, có bất cứ điều gì chúng ta có thể tìm hiểu về bộ não con người / mạng lưới thần kinh thực sự từ mạng lưới thần kinh nhân tạo? Hay đó chỉ là một số nỗ lực để tạo ra phần mềm hoạt động tốt hơn các thuật toán tĩnh, cổ điển (hoặc thậm chí làm những việc mà các thuật toán đó thất bại)?
Ai đó có thể cung cấp (tốt nhất là khoa học) về chủ đề này?
EDIT: Nhiều câu trả lời được đánh giá cao (: