• 在这个观点中，我们讨论了意识的问题，虽然我们专注于它在人类中的表现，但我们注意到这种现象存在于众多的非人类物种中，并使用各种动物研究的结果来解释我们对意识如何产生的假说。 当心灵内容，如感知和思想，被自发地
  • 具有里程碑意义的研究挑战了具有百年历史的神经科学范式：大脑形状可能胜过连接性 人类的大脑是由大约860亿个神经元组成的，由数万亿个连接点相连。几十年来，科学家们认为，我们需要详细绘制这种错综复杂的连接，以了解定义我们思想、情感和行为的结构化活动模式是如何出现的。 我们发表在《自然》杂
  • 当OpenAI在2022年11月向公众提供其聊天机器人ChatGPT时，它立即成为一个热门。然而，其底层算法并不开放。此外，ChatGPT用户需要连接到OpenAI的云服务，并面临使用限制。 现在，已经出现了几个开源或免费的替代品，其中一些甚至能够在消费者硬件上运行。 虽然它们的性能还不能与Chat icon
  • 这篇综述重点介绍了过去三十年来在驱动归纳推理的过程的计算建模方面取得的进展。 这些模型的形式复杂性和解释范围都取得了重要进展。 需要注意的是，这项工作的大 icon
  • Chroma是用Python代码实现蛋白质设计的生成模型。 刚刚发表在《自然》上论文《用可编程生成模型照亮蛋白质空间》：使用人工智能生成蛋白质。 1、在实验室中验证了Chroma生成的蛋白质。 这些数据增加了文献中越来越多的证据，即扩散模型可以创建具有所需结构和功能的真实蛋白质。 icon
  • 一个动画 YouTube 频道，该频道使用 Blender 创建的 3D 动画来可视化人工智能中的概念，例如卷积神经网络。 这是高质量的视觉解释，可以帮助教育儿童或非技术受众。 卷积神经网络对输入数据应用过滤器来提取特征。 过滤器以指定的步幅在输入上滑动，可以选择填充边缘以控制输出大小。 常见配置包 icon
  • AI 工具 GNoME 发现了 220 万种新晶体，其中包括 38 万种可以为未来技术提供动力的稳定材料。 [url= icon
  • 当一个神经元被驱动超过其阈值时，它就会出现尖峰。 它不传达其连续的膜电位这一事实通常被看作是一种计算上的责任。 在这里，我们表明，这种尖峰机制允许神经元产生对其因果影响的无偏估计，以及一种近似于基于梯度下降的学习方式。 重 icon
  • 机器学习算法消化了数十年的天气数据，能够比欧洲顶级气象中心更准确地预测 90% 的大气测量结果。 。在今天发表在《科学》杂志上的一篇论文中，DeepMind 研究人员报告称，其模型在 icon
  • 树突是理解大脑的核心，因为它们是决定单个神经元计算能力的核心。 树突是我们神经系统的交通灯。如果动作电位足够大，它可以传递到其他神经，从而阻止或传递信息。 这是我们大脑的逻辑基础——可以以两种形式共同传达的电压波动： [lis icon
  • 在生物和AI之间获得表征”一致性对齐“概念是认知科学、神经科学和机器学习的关键。 问题是：这些知识在不同科学社区之间的转移往往有限。这篇论文是来弥合这一差距的！ [b]目标[/b] 为跨学科的表征对齐研究提供理论基础。我们提出了一个统一的框架，可以作为一种通用语言，使研究人员更容易沟通和合作。 生物 icon
  • 本文讨论了“浅层大脑假说”，该假说挑战了深度学习和预测编码中大脑执行分层皮层处理的常见假设。 它认为，虽然皮质区域通常被描述为较高或较低的层次结构，但实际上所有皮质区域都直接投射到皮质下区域并接收来自皮质下区域的信号。 深度学习和预测编码架构通常假设神经网络中的推理是分层的。然而，深 icon
  • 北京清华大学的研究人员利用光学模拟处理图像数据，达到了令人惊叹的速度。ACCEL 每瓦功率每秒可进行 748 亿次运算，每秒可进行 46 亿次计算。 研究人员将其速度和能耗与英伟达（Nvidia）的 A100 电路进行了比较。最重要的是，ACCEL 的速度明显快于 A100--处理每张图像 icon
  • 首先了解神经元是什么，它只是一个与其他细胞进行交流的正常细胞。 1、什么是神经元？ 它们是我们神经系统的最简单单元，由近 1 000 亿个神经元组成。这些细胞具有非常独特的结构，专门用于接收、传导和传输电化学信号。 与所有细胞一样，神经元含有细胞核和维持生命所需的其他细胞 icon
  • "递归神经网络"（Recursive Neural Network）和"循环神经网络"（Recurrent Neural Network, RNN）是两个概念在不同领域中的使用，它们有一些相似之处，但也存在明显的区别。 [b]什么是递归神经网络 (RvNN)？[/b] 递归神经网络是一种旨在处理分层 icon
  • 意识的综合信息理论（IIT）具有前所未有的雄心壮志，它从意识体验的基本特性出发，提出了一个通用数学公式，用于描述任何拥有意识的物理系统的意识质量和数量。 该理论提出了一个数学公式，通过将现象学的基本原理提炼为一小套公理而得出，并假定它能描述任何拥有意识的物 icon
  • 虽然传统深度神经网络等机器学习技术在感知任务上取得了显著的成功，但在逻辑和推理问题上的表现仍然有限。这成为开发透明、可信的人工智能的一大障碍。 本文介绍的新 Boolformer 模型为符号逻辑任务提供了一个开创性的解决方案。它代表了第一种机器学习方法，可以仅从输入-输出示例中直接诱导出紧凑的布尔公 icon
  • 数字嗅觉是人工智能社区长期忽视的一种方式，但也许有一天对机器人厨师有用？ 科学论文，“一个主要的气味地图统一了嗅觉感知中的不同任务”点击标题： 将分子结构映射到气味感知是嗅觉领域的一项关键挑战。我们利用图神经网络生成了一个主气味图（POM），它保留了知觉关系，并能对以前未定性的气味 icon