研究人员已经确定，记忆是在我们感知图像和声音的那一刻开始形成的。这一结论通过对人工神经网络的分析得出，这些神经网络提供了与人类大脑活动相似的见解，展示了大脑研究中的潜在新标准。
**深度加工影响记忆保留**
最初的观察表明，我们的大脑在观看图像时付出的努力会影响是否会记住这些图像。偶然间看到一个场景或图片可能会留下持久的印象，看似是随机的，但在感知的那一刻，神经激活已在决定未来的记忆。
尽管大脑内部的确切过程仍然难以捉摸，但科学界已经取得了重要进展。科学家现在不再直接测量大脑活动，而是通过人工神经网络来预测记忆保留。
**人工神经网络揭示记忆线索**
这些强大的工具展示了一个令人印象深刻的能力，即预测哪些图像稍后会被个体回忆。这项开创性研究由耶鲁大学科学家在《自然人类行为》杂志上发表，强调了人工智能在推动神经科学方面的应用。
起初在1970年代由心理学家克雷克和洛克哈特提出的原始概念强调了深度加工——感知期间的心理努力——作为持久记忆的决定因素。随着功能磁共振成像技术在21世纪初的发展，研究这些想法的可行性变成了现实，提供了一种方法，在受试者在屏幕上观看图像的同时观察大脑活动。
**神经网络模拟人类感知**
在成像工具发展二十年后，人工神经网络登场，有可能提供对感知和记忆相互作用的更精细理解。纽约大学神经科学家克莱顿·柯蒂斯说：“近年来人工智能的爆炸性增长为神经科学研究开辟了新途径。”
心理学家正在推动前进，利用神经网络来解密为何我们记得某些图像而忘记其他图像的谜团。这些神经网络可以分辨出多幅图像中的不同对象，经过对数十亿快照的训练。
**实验将人工智能与人类回忆联系起来**
当人工智能在图像识别方面遇到困难时——例如区分丛林中的消防栓或理解高度像素化的图像时——这些图像更有可能留在人类记忆中。这种相关性促使耶鲁大学科学家伊尔克·依尔迪里姆及其团队提出关于大脑功能的新假设，这些假设现在得到了他们实验室未发表数据的验证，显示出人类海马体细胞在观看图像时模拟人造模型活动。
依尔迪里姆的发现表明，人工智能的作用范围不仅限于复制人类思维模式，它还有助于产生关于大脑的新假设，这些假设随后可以与人类理智进行对比。这可能在未来改变我们对大脑的理解，标志着神经科学研究的一个革命性时代。
**最重要的问题和答案：**
**问：** 人工神经网络如何预测记忆保留？
**答：** 人工神经网络通过在大量图像数据集上进行训练并模拟人类处理视觉信息的方式来预测记忆保留。这些神经网络确定大脑解释图像所需的努力水平，这与该图像被记住的可能性相关。
**问：** 人工神经网络对记忆研究的贡献为何重要？
**答：** 这一贡献之所以重要，是因为它提供了一种新的理解感知和记忆之间错综复杂关系的方式，而无需依赖侵入性措施，如大脑手术或深层脑传感器。它还可以进行高通量和可重复实验，这对于实证验证至关重要。
**问：** 人工神经网络能否完全复制人类大脑活动？
**答：** 虽然人工神经网络提供了宝贵的见解，但它并未完全复制人类大脑活动的复杂性。人类大脑涉及的生物过程和相互作用尚未完全被人工系统捕捉到。
**关键挑战或争议：**
在使用人工神经网络进行记忆研究中的一个挑战是潜在的伦理问题，比如通过人工智能收集和解释大脑数据的隐私问题。关于机器学习模型是否真正反映了人类认知的程度或仅提供了表面上的相关性，存在争议。
**优势和劣势：**
**优势：**
– 无侵入性：使用人工智能减少了侵入性程序的需求。
– 可扩展性：大量数据集可以高效处理。
– 创新性：人工智能可以提出转变神经科学传统范式的新假设。
**劣势：**
– 复杂性有限：人工智能无法捕捉人类意识和记忆的所有方面。
– 数据隐私：管理敏感的神经数据可能存在潜在风险。
– 可解释性：神经网络的决策可能不透明，导致难以理解它们如何得出结论。
**相关链接：**
有关神经科学和人工智能进展的更多信息，请访问:
– 自然 包括《自然人类行为》等科学出版物
– 耶鲁大学 获取所提及的团队的研究更新
– 纽约大学 获取克莱顿·柯蒂斯的研究新闻和相关神经科学研究
**额外相关事实：**
– 记忆编码、巩固和检索是对记忆至关重要的过程，已在神经科学领域得到广泛研究。
– 机器学习和神经网络架构的进步，例如卷积神经网络（CNNs），显著提高了人工智能在类似于人类感知的任务中的性能。
– 在AI研究中，伦理考虑变得越来越重要，特别是关于数据处理、算法偏见以及AI系统对社会的广泛影响。
– 意识的神经相关性是神经科学研究的一个主要话题，试图了解神经活动和主观体验之间的关系。像研究中使用的AI模型可能会提供这些相关性的计算透视。
The source of the article is from the blog toumai.es