神经科学和人工智能之间的半个世纪桥梁已经通过新近揭示的超快脑启发性学习机制得以恢复，该机制可用于加速基于小型数据集的现有人工智能学习算法。

机器和深度学习算法的起源越来越多地影响着我们生活的几乎所有方面，它是连接大脑中神经元的突触（权重）强度的学习机制。

半个多世纪以前，研究人员试图模仿这些大脑的功能，在神经科学和人工智能之间架起了桥梁。

但是，从那时起，实验神经科学尚未直接推进机器学习领域，并且神经科学和机器学习这两个学科似乎都是独立发展的。

在今天发表在《科学报告》杂志上的一篇文章中，研究人员透露，他们已经成功地重建了实验神经科学与高级人工智能学习算法之间的桥梁。

在神经元文化上进行新型实验，研究人员能够证明一种新的，受大脑启发的学习机制。

例如，当该机制用于手写数字识别的人工任务时，其成功率大大超过了常用的机器学习算法。

为了重建这座桥梁，研究人员着手证明两个假设：关于大脑学习非常缓慢的普遍假设可能是错误的，并且大脑的动力学可能包括加速的学习机制。

出乎意料的是，两个假设都被证明是正确的。

这项研究的主要作者，Bar的Ido Kanter教授说：“据信，大脑中的学习步骤通常可持续数十分钟甚至更长，而在一台计算机中，则可持续一纳秒，或者一百万次快一百万次。” 

-宜兰大学物理系和冈达（Goldschmied）多学科大脑研究中心。“尽管大脑极其缓慢，但其计算能力却优于或等同于典型的最新人工智能算法。”坎特补充说。 Meir，Amir Goldental博士，Shiri Hodassman和Yael Tugendfaft。

研究小组的实验表明，训练频率会大大加速我们大脑的适应能力。

这项工作的主要贡献者希拉·萨尔迪（Shira Sardi）说：“通过每秒观察10张相同的图像来学习，与每月观察1000张相同的图像一样有效。”

Roni Vardi博士补充说：“重复相同的图像可以快速地使我们的大脑从几秒钟而不是几十分钟内适应。

可能我们的大脑学习速度甚至更快，但超出了我们目前的实验限制。”研究。

这种新发现的，受大脑启发的加速学习机制的使用大大优于常用的机器学习算法，例如手写数字识别，尤其是在提供小的数据集进行训练的情况下。

从实验神经科学到机器学习的重建桥梁有望在有限的训练示例（与人类决策的许多情况以及机器人控制和网络优化）类似的情况下提高人工智能，尤其是超快速决策。