让计算机像人类一样“思考”是人工智能的圣杯，但人类的大脑却很难遵循。人脑是一个将先前所学知识应用于新情况并不断完善所学知识的大师。这种自适应能力很难在机器上复制。

现在，Salk的研究人员已经使用了一种大脑活动的计算模型，比以往任何时候都更精确地模拟了这一过程。新模型模拟了大脑前额叶皮层如何利用一种被称为“门控”的现象来控制神经元不同区域之间的信息流动。它不仅对人脑有启发作用，而且可以为新的人工智能程序的设计提供信息。

索尔克计算神经生物学实验室的负责人和这项新工作的资深作者Terrence Sejnowski说：“如果我们能将这个模型扩展到更复杂的人工智能系统中，它可能会让这些系统更快地学习知识或找到解决问题的新方法。”，在美国国家科学院院刊上。

人类和其他哺乳动物的大脑以其快速处理刺激物、视觉和声音的能力而闻名，例如，将任何新的信息整合到大脑已经知道的事物中。这种将知识应用于新情况并在一生中不断学习的灵活性一直是研究人员设计机器学习程序或人工大脑的目标。从历史上看，当一台机器被教去完成一项任务时，机器很难学会如何将这些知识应用于类似的任务；相反，每一个相关的过程都必须单独进行教学。

在目前的研究中，Sejnowski的小组设计了一个新的计算模型框架，在一个被称为威斯康星卡片分类测试的认知测试中，复制负责决策和工作记忆的大脑区域前额叶皮层神经元的行为。在这项任务中，参与者必须按颜色、符号或数字对卡片进行排序，并随着卡片排序规则的变化不断调整他们的答案。这项测试在临床上被用来诊断痴呆症和精神疾病，但人工智能研究人员也用它来衡量他们大脑的计算模型能多好地复制人类行为。

以前的前额叶皮层模型在这项任务中表现不佳。然而，Sejnowski团队的框架整合了神经元如何通过门控控制整个前额叶皮质的信息流，将不同的信息分配给网络的不同分区。门控被认为在小范围内控制类似细胞群中的信息流很重要，但这种思想从未通过整个网络整合到模型中。

新的网络不仅在威斯康星州的卡片分类任务中表现得和人类一样可靠，而且模仿了一些病人的错误。当模型的部分被移除时，系统显示出与前额叶皮质损伤患者相同的错误，比如外伤或痴呆。

“我认为这其中最令人兴奋的部分是，使用这种建模框架，我们对大脑的组织方式有了更好的了解，”索尔克研究生、新论文第一作者Ben Tsuda说这对机器学习和更好地理解影响前额叶皮层的一些疾病都有意义。”

他补充说，如果研究人员能更好地了解前额叶皮层的各个区域是如何协同工作的，这将有助于指导治疗脑损伤的干预措施。例如，它可以提示大脑深层刺激的靶区。

“当你想到大脑仍然超越最先进的深度学习网络的方法时，其中一种方法就是在不同规则的任务中实现多功能性和概括性，”研究合著者、索尔克系统神经生物学实验室教授、威利谷主席凯蒂（Kay Tye）说在这项新的研究中，我们展示了信息的门控如何为我们改进的前额叶皮层模型提供动力。”

接下来，研究小组希望扩大网络规模，以执行比卡片分类测试更复杂的任务，并确定网络范围的门控是否在所有情况下都能给人工前额叶皮层提供更好的工作记忆。如果新方法能在广泛的学习场景下工作，他们怀疑这将导致改进的人工智能系统，使其更能适应新的情况。