几乎所有支持现代人工智能（AI）工具的神经网络都是基于20世纪60年代的活体神经元计算模型。但美国西蒙斯基金会熨斗研究所计算神经科学中心（CCN）开发的新模型表明，这种已有数十年历史的近似模型，并未捕捉到真实神经元所拥有的所有计算能力，并且这种较旧的模型可能会阻碍AI的发展。研究发表在新一期《美国国家科学院院刊》上。

　　CCN模型开发者认为，单个神经元对周围环境的控制力远比以前认为的要大。更新后的神经元模型最终可能会产生更强大的人工神经网络，更好地捕捉人类大脑的力量。

　　“神经科学在过去60年中取得了长足进步，我们现在认识到，以前的神经元模型还很初级。”团队负责人德米特里·奇克洛夫斯基表示，真实神经元比这个过于简化的模型要复杂得多，也“聪明”得多。

　　人工神经网络旨在模仿人类大脑处理信息和做出决策的方式，但所呈现的方式还很简单。这些网络基于20世纪60年代的神经元模型，由有序的节点层构成。网络从接收信息的输入层节点开始，然后是处理信息的中间层节点，最后是发送结果的输出层节点。

　　通常，只有当节点从上一层节点接收到的总输入超过某个阈值时，它才会将信息传递到下一层。在训练当前的人工神经网络时，信息只能沿一个方向通过节点，节点无法影响它们从链中较早的节点接收到的信息。

　　相比之下，新模型将神经元视为微小的“控制器”（指能够根据收集到的信息来影响周围环境的器件），因为人类脑细胞不仅能被动地传递输入信息，实际上它们还可控制其他神经元的状态。

　　奇克洛夫斯基认为，这种更为现实的神经元控制器模型，可能是提高许多机器学习应用性能和效率的重要一步。