有时当我们急于探索与神经网络(通常以大语言模型的形式出现)的交互时,我们往往会忽略对我们自身操作系统及其运作方式的思考。
当然,科学家们确实花费了大量时间利用人脑模型,更不用说像 C. Elegans 这样的低等物种,来评估神经网络的运行机制。
这种比较可谓举手之劳。
可是,在我们与那些全新且不具备我们人体结构的神经网络协同工作时,如何确保我们自己的人体神经网络也能不断进化?
利用结构化运动重构大脑神经网络
我们能够利用的最强大工具之一就是围绕自身大脑展开的科学研究。
乍一看,身心之间的联系似乎容易让人联想到某种缺乏科学依据的“玄学”,但越来越多的证据表明,各种不同的刺激方式,包括身体运动,都能通过改变大脑中的神经模式来帮助我们优化大脑功能,这一现象被称为神经可塑性。
激发你的智力——锻炼思维
实现这一点的一种途径就是锻炼大脑。 My Brain Rewired 上关于这一主题的一篇文章便将这一点与语言学习联系起来论述:
“ 人脑是一个充满活力且适应性极强的实体,能够根据新体验和学习重组自身,” Gabriel Dalexander 写道。 “语言习得是这一进程中最有效的催化剂之一。通过投入语言学习,个体能够利用大脑惊人的重构和强化神经连接的能力,从而提升认知功能并获得诸多益处。语言学习对大脑的影响在于它能够刺激突触可塑性,即神经连接不断被强化和优化的过程。当语言学习者面对全新的语法结构、词汇和句法时,他们的大脑会进行适应和重组,从而促进神经密度和活跃度的提升。”
这为我们探索神经可塑性提供了思路,但身体运动同样可以发挥作用。
保持活跃
哈佛 Health 的一份资料谈到了不同类型的运动如何帮助改善老年人的认知能力。
“运动不仅对身体有益——它对大脑也有着强大的正面影响,” Jennifer Fisher 写道。 “神经可塑性与神经营养因子的生成密切相关,神经营养因子是一组在大脑细胞生长和功能中起着关键作用的蛋白质。其中,脑源性神经营养因子(BDNF)尤为关键。研究表明,较低的 BDNF 水平可能会导致认知能力下降,影响记忆、注意力和学习能力。”
Fisher 还指出,运动能增加大脑的血流量,并降低压力,从而可能改善情绪、记忆和专注力等方面。
具身时代:关于运动的研究
想了解更多内容,请关注 Body Mind Method 创始人 Yana Nakhimova 博士最近的一次演讲。
首先,Nakhimova 要求参与者通过挥动手臂来挑战自己的平衡并调节大脑信号。
她指出,我们常常沉溺于陈旧的行为模式,并介绍了一种“基于身体的智能”,建议我们应当充分利用自身的大脑回路来应对这一现状。
“ AI 会学习、适应并自我优化,而人类则容易僵化、精疲力竭并陷入脱节,”“我们常常感到不知所措。而为什么会这样呢?因为我们仍在依赖过时的行为模式,并且忽略了身体在智能中扮演的重要角色。但事实是,我们拥有一种基于身体的智能,现在正是我们开始训练它的时候。”她如是说。
升级神经系统?
“如果我们能够像 AI 更新其架构那样,通过具身体验来升级我们的神经系统,而不仅仅依靠增加思考,会是什么样的情形?”她提出疑问。 “而我们所能做的,就是利用神经可塑性。我们体内存在一种基于神经可塑性的程序,它能帮助人们通过结构化运动转变情绪、认知和行为模式。令人感兴趣的是,我们可以将身体视作一个‘接口’,以此来激发大脑,改变我们的行为模式。”
“我们已经拥有 AI 2.0了,但我们同样需要‘人类智能 2.0’。”
“我们不仅需要积极的思维方式,不仅需要明晰的输出,更应关注如何调节我们的内在感受,”她说道。 “这正是能帮助人类具备更强适应性的一部分,尤其是在 AI 时代。”
她还明确区分了结构化运动神经科学与传统方法论之间的差异。
“这不是养生保健,”她说。 “这既不是瑜伽,也不是普拉提,更不是一般意义上的健身。而是行为科学、神经科学与运动和具身体验的综合应用。”
她认为,通过不断的迭代,我们可以改善自我反应机制。
“就像 AI 通过反馈循环进行学习,人脑也同样依靠肌肉与大脑之间的反馈来学习,”她解释道。 “当我们还是孩子时,我们通过大量游戏和运动一步步建立了各种技能。所以,利用运动以全新的方式来帮助自己,实在非常有趣。”
她最后呼吁关注神经学中关于身体科学的部分:
“身体可以改变固有模式,我们可以实现人类智能与人工智能的共同进化,”她说。 “当我们打造真正的 AI 时,也必须培养以人为本的议程,而最直接的方式就是依托身体。所以,智能的下一次进化必须涵盖人体,因为它是我们的接口。”
这一切都极具说服力。
在我们密切关注 AI 同伴的同时,也应不断审视自身。我们需要装备我们的思维,以应对这个迅速变化的世界,而这或许就包括利用结构化运动来为我们服务。
好文章,需要你的鼓励
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。
这项由中国人民大学高瓴人工智能学院研究团队发表的研究解决了大语言模型评判中的自我偏好问题。研究提出了DBG分数,通过比较模型给自身回答的分数与黄金判断的差异来测量偏好度,有效分离了回答质量与自我偏好偏差。实验发现,预训练和后训练模型都存在自我偏好,但大模型比小模型偏好度更低;调整回答风格和使用相同数据训练不同模型可减轻偏好。研究还从注意力分析角度揭示了自我偏好的潜在机制,为提高AI评判客观性提供了重要指导。
这篇研究提出了DenseDPO,一种改进视频生成模型的新方法,通过三大创新解决了传统方法中的"静态偏好"问题:使用结构相似的视频对进行比较,采集细粒度的时序偏好标注,并利用现有视觉语言模型自动标注。实验表明,DenseDPO不仅保留了视频的动态性,还在视觉质量方面与传统方法相当,同时大大提高了数据效率。这项技术有望推动AI生成更加自然、动态的视频内容。