希腊研究团队受生物神经元启发，开发出一种新型人工神经网络，该网络融入了树突特征，显著降低了参数和能耗，同时提升了图像识别性能。与传统人工神经网络相比，这种新型网络模仿大脑神经元的工作原理，将树突特征集成到AI中，从而创建更小、更智能的系统。实验结果表明，该网络在更少的资源下，能媲美甚至超过传统神经网络的性能，为打造更紧凑、更节能的AI系统奠定了基础，并有望推动AI技术向更加绿色高效的方向发展。

🧠 **模仿生物神经元：** 新型人工神经网络的设计灵感来源于生物神经元，特别是神经元的树突结构，旨在模拟大脑的信息处理方式。

🌿 **树突特征集成：** 该网络将树突的多种特征融入AI，使得网络节点能够对不同类别进行编码，从而在识别模式和决策制定方面展现出更高效率。

💡 **性能提升与能耗降低：** 实验证明，这种新型神经网络在参数更少、能耗更低的情况下，实现了图像识别性能的显著提升，解决了传统AI系统“体型”庞大、能耗巨大的问题。

参数更少 能耗更低

    科技日报北京2月9日电 （记者刘霞）希腊研究和技术基金会科学家受生物神经元启发，开发出一种融入树突特征的新型人工神经网络。与传统人工神经网络相比，新网络在参数更少、能耗更低的情况下，实现了图像识别性能的显著提升，为打造更紧凑、更节能的人工智能（AI）系统奠定了基础。相关论文发表于新一期《自然·通讯》杂志。

    当前的AI系统“体型”庞大，参数数量从数百万到数十亿不等，能耗巨大，这在一定程度上限制了其广泛使用。

    研究团队表示，通过模仿大脑中神经元的工作原理，将树突特征集成到AI内，可以创建更小且更智能的系统。

    树突是神经元短而多分支的结构，形似树枝。它们的主要职责是从其他神经细胞接收信息，并将其传递到细胞体内。尽管科学家尚未透彻理解树突在信息处理中的具体作用，但研究表明，树突能够独立于主神经元进行复杂的计算。此外，树突对于大脑的可塑性，即大脑适应环境变化的能力，至关重要。

    基于这些发现，团队提出了一种全新的人工神经元架构。该架构融合了生物树突的多种特征。他们在各种图像识别场景中，对该架构的性能进行了测试。结果表明，这些树枝状神经网络可以在使用更少资源，即在更少的训练参数和学习步骤情况下，媲美或超过传统神经网络的性能。

    团队透露，新型人工神经网络性能的提升得益于一种独特的学习方法。在该网络中，多个节点能够对不同类别进行编码，而传统人工神经网络中，大多数节点往往只针对特定类别进行编码。融合树突特征的新型神经网络在识别模式和决策制订方面展现出更高效率，这将使AI在多个领域的应用更加高效。

【总编辑圈点】

    在AI技术蓬勃发展的当下，人工神经网络能耗问题日益凸显。以训练AI大模型为例，其过程会耗费海量算力和电力，需要极高的成本投入。这显然不利于相关技术和产业的绿色可持续发展。为解决这一难题，科研人员正不断优化人工神经网络的设计。思路之一便是向人类大脑“取经”，通过模仿人脑神经元的特征，降低人工神经网络的能耗。这些创新性的尝试，有望驱动AI技术向更加绿色高效的方向迈进。