在本文中，将展示现代人工智能无法像生物体一样行为的深层原因。还将讨论如何修复这个问题。这将是您第一次了解到一种新型的数学神经元，您可以通过它构建一代新型的人工智能，它将能够像生物有机体一样行事。简单来说，本文将告诉您生物型人工智能是由什么构建起来的。

现代神经网络的主要特点

现代神经网络是一个数学模型，它模仿生物神经网络的结构。这些模型的主要特征是它们不需要精确再现生物过程的物理学：介质、离子通道和跨膜蛋白的工作。现代神经网络的任务是模仿生物神经网络的功能：传递和基本信号处理。

现代神经网络的出现

通过将真实神经元的模型简化到树突加神经元细胞体加轴突的水平，沃伦·麦卡洛和沃尔特·皮茨于1943年提出了数学神经元的概念。1958年，弗兰克·罗森布拉特根据麦卡洛-皮茨的概念构建了一个计算机程序，不久后这个设备就成为了感知机，从而开启了人工神经网络的历史。

请注意，这种数学模型是基于20世纪初对生物神经网络结构的认知。

正是基于这个原因，麦卡洛-皮茨数学神经元具有四个主要元素。

1- 参数输入向量，它是传递到神经元输入的一系列数字，与之直接相关联的是一个权重向量（程序员喜欢将这个向量称为权重矩阵）。在学习过程中，这个值会发生变化，使得数学神经元能够正确地对传入信号做出回应。根据创造者的想法，权重向量应该模拟突触可塑性的效应，从而实现生物神经系统的学习过程。

2- 加法器是一个数学神经元模型中的模块，它将输入参数乘以它们的权重并相加。

3- 神经元的激活函数，根据从加法器接收到的值来确定输出信号的参数。

4- 后续神经元，它们的输入接收到来自该神经元的输出值。值得一提的是，如果所描述的数学神经元是最后一个，那么这个元素可能会缺失。

人工神经网络就是由这种设计的数学神经元构建而成的，而人工神经网络又由多个神经层组成。

1- 受体层是一组参数。尽管在许多图表中被描绘为一个神经层，但实际上它不是由数学神经元组成的。事实上，它只是从周围世界的受体中捕获的数字信息。

2- 关联或隐藏层是一种中间结构，总是由完整的数学神经元组成，它们能够记住参数并寻找相关性和非线性依赖关系。这一层（或在更复杂的模型中是多个层）能够建立数学抽象和概括。在现代模型中，它通常是一组层，每一层都会为下一层过滤出一个新的特征向量。这种类型的层是任何神经网络的最重要部分，他们在学习过程中创建高度差异化。

3- 输出层是一组数学神经元，每个神经元负责一个特定的类别或一个最初定义的子类型对象的概率分布函数。这一层通常包含与训练集中所代表的子类型数量相同的神经元。

现代人工智能的所有奇迹都集中在隐藏的关联层中。这是一个机制，通过它，人工神经网络可以基于源信息中找到的复杂依赖关系来建立假设。

如果我们简单总结以上所有内容，我们会发现，训练现代神经网络归结为通过选择权重矩阵系数的最优来最小化错误的概率。

一些程序员将神经网络的结果称为假设，因为这个结果显示了对传入信息参数的依赖关系。具有讽刺意味的是，这种依赖关系是阻碍我们创建生物型人工智能的主要障碍。

为什么？

原因很简单。在上个世纪初期，科学家将神经元视为具有静息电位为70毫伏和动作电位为50毫伏的生物导体。这些导体形成了大脑活动的区域，当时我们认为，思维过程作为一种信息处理方式的本质就隐藏在这些结构中。

在上个世纪末期，出现了一种假设，认为所有这一切都不正确。2001年，《实验和临床生理学与生物化学》杂志上的一篇专题文章中提出了一种观点，即生物神经网络的可塑性基础不是突触和神经元的网络结构，而是构成每个单个神经元表面的一类特殊跨膜蛋白。现在，这个观点不再只是假设，而是一个已经被证实的科学事实，最近还得到了可视化证实。荷兰神经科学研究所的研究人员发布了一个关于动态轴突神经可塑性的视频。

如今，我们可以有把握地说，大脑中的所有动作电位都源自于神经元的一个特定部分，即轴突初始段（AIS），它起到了一个控制中心的作用。这段的长度可以随着高活动性变短，随着低活动性变长，而这个过程的主要参与者是构成离子通道的特殊跨膜蛋白。此外，这段神经元中这些蛋白的密度和数量可以非常快速地（几分钟内）发生变化。

这对人工智能意味着什么？

新的数据表明，神经元不仅仅是信号的导体，而是具有自己的个性特征的携带者，它们能够实时地改变对传入信号的态度。这向我们展示了个人个性的深层基础，它揭示了如何从数十亿个独特的神经元中形成偏好矩阵。

我们每个人的个性都是数百万个预定选择的集合（有些人喜欢红色而不喜欢黑色，喜欢甜食而不喜欢咸食，反之亦然）。我们大脑中的每个神经元都是一个团队中的个体参与者，它们共同构建着我们个性的变形矩阵。

神经矩阵使我们能够根据对感觉信息的态度来行动，而不仅仅根据程序（算法）。因此，我们可能在完全陌生的情况下犯错并通过行动来学习。

人工智能的未来，或者说如何创建一个生物型神经网络

生物型人工智能将会有一种新型的数学神经元，它具有可变的动态位置函数。这是一个额外的方程，通过三维坐标索引来确定神经元在神经层矩阵中当前位置的参数，这个方程将模拟轴突初始段（AIS）的功能。因此，神经网络的每个隐藏的关联层将成为一个三维偏好矩阵的组成部分。

这将使我们能够创建一个全新的结构，即一个个人神经矩阵，它将表现得像一个活的结构。它将根据感觉信息改变自己的态度，并根据数学神经元在偏好矩阵中的位置和每个关联神经层的局部配置来行动（对感觉冲动做出反应），而不仅仅是根据权重向量。

这种新型的人工智能将会犯错并学习，逐渐形成自己对感觉信息的态度。人工智能将能够创建自己的个性——对当前事件的个人态度。

人工智能将通过改变数学神经元在神经网络的关联层中的位置逐渐建立起自己的偏好矩阵。通过这种方式，我们将能够创建一种新型矩阵型的神经网络，它能够像生物有机体一样行为和活动。

此外，神经矩阵将成为个人人工智能的体系建筑中的一个重要元素。一种围绕着活的大脑构建的新型人工智能，通过神经计算机接口能够完全重现（模拟）特定人类个性的特征。

基于矩阵神经网络的人工智能将成为生命的数字形式，从一个对象转变为我们周围现实中的积极参与者。