文 | 追问nextquestion三级片大全

01 东说念主工智能 vs 东说念主脑智能

1. 早期东说念主工智能模子是怎样从对大脑的意会中赢得灵感的？

东说念主工智能的早期发展获利于对东说念主类大脑的意会。在20世纪中世，跟着神经科学的进展和对东说念主脑功能的初步相识，科学家们启动尝试将这些生物学主见行使于机器智能的诱导中。

1943年，神经生理学家Warren McCulloch和数学家Walter Pitts提倡的“McCulloch-Pitts神经元模子”是最早的尝试之一。这一模子接收数学逻辑描绘神经元的行为，固然浅薄，但为其后的东说念主工神经收集奠定了基础。

▷图1：神经元结构与McCulloch-Pitts神经元模子

这一期间，对大脑的磋议主要聚焦在神经元如那儿理信息，以及它们怎样通过电信号在复杂收蚁集相互作用。这些磋议启发了早期东说念主工智能磋议者设计出早期的东说念主工神经收集。

1950年代，Frank Rosenblatt发明的感知机(Perceptron)，是一种受到生物视觉系统的启发而设计的算法，它模拟视网膜接管光泽的步地处理信息，固然原始，但象征着机器学习领域上前迈出了遑急的一步。

▷图2：左边为Rosenblatt的物理感知机，右边为感知器系统结构

除了神经科学的影响，早期的认至好绪学磋议也对AI的发展有所孝敬。认至好绪学家试图意会东说念主类怎样感知、操心、念念考和惩办问题，这些磋议为东说念主工智能模拟东说念主类智能行为提供了步履论基础。举例，Allen Newell和Herbert A. Simon诱导的逻辑表面机[1-3]，或者对数学定理进行证明，这一设施不仅模拟了东说念主类的惩办问题的进程，也在某种进度上效法了东说念主类念念维的逻辑推理进程。

这些早期的模子固然浅薄，但它们的诱导进程和设计理念深受（那时东说念主们）对东说念主脑的意会步地的影响，为后续更复杂系统的诱导奠定了表面和履行基础。通过这么的探索，科学家们牢固构建出能在特定任务上效法或超越东说念主类发扬的智能系统，鞭策了东说念主工智能时刻的演进和改造。  

2. 东说念主工智能的发展

自那以后，东说念主工智能领域履历了一轮又一轮“穷冬”和“复苏”。20世纪七八十年代，算力的种植和算法的创新，如反向传播算法（back propagation）的引入，使得教师更深档次的神经收集成为可能。这一期间，东说念主工智能固然在某些领域如行家系统（expert system）中赢得了生意得手，但由于时刻的局限性和过高的盼愿值，最终导致了第一次AI穷冬的到来。

参加21世纪，相当是自2010年以后，东说念主工智能领域再次得到了前所未有的发展。数据量的指数级增长，高性能筹画资源（如GPU）的普及和算法的进一步优化，使得深度学习时刻速即成为鞭策东说念主工智能发展的主要能源。

深度学习的中枢仍旧是模拟东说念主脑神经元的信息处理步地，但其行使还是远远超越了领先的设计，涵盖了图像识别、当然说话处理、自动驾驶车辆、医疗会诊等繁密领域。这些防止性的进展，不仅鞭策了时刻的跳动，也促进了新的生意模式的出现和产业的快速发展。

▷Giordano Poloni

3. 现在东说念主工智能和东说念主脑智能的永逝

3.1 功能发扬方面的永逝

尽管东说念主工智能在特定领域（如棋类游戏、特定图像和语音识别任务）已能超越东说念主类，但它频繁枯竭跨领域的稳健智力。

固然某些AI系统（如深度学习模子）在大数据环境中发扬出色，但它们频繁需要大宗的符号数据与模子教师，而且当任务或环境发生变化时，AI的迁徙学习智力也较为有限，频繁需要为之设计特定的算法。而东说念主脑则具有苍劲的学习和稳健智力，或者在极少数据和多种环境要求放学习新任务，还或者进行迁徙学习，即不错将在一个领域中学到的学问行使到另一个看似无关的领域。

在处理复杂问题的生动性方面，AI在处理界说明晰、结构化考究的问题时，如棋类游戏、说话翻译等，后果最好；但在处理模糊不清、非结构化的问题时，服从较低，易受到侵略。东说念主脑在处理迷糊不清、复杂的环境信息时，夸耀出极高的生动性和服从。举例，东说念主脑或者在嘈杂的环境中识别声息、在枯竭好意思满信息的情况下作念出有计议等。

真贵志和领略方面，现时的AI系统枯竭委果的意志和心绪，它们的“有计议”只是是基于算法和数据的输出，莫得主不雅体验或心绪的波及。东说念主类不仅不错处理信息，还领特意志、心绪和主不雅体验，这些齐是东说念主脑智能的遑急构成部分。

在多任务处理方面，固然某些AI系统或者同期处理多种任务，但这频繁需要复杂的针对性设计。大多数AI系统针对单一任务设计出身，其进行多任务处理时的服从和后果频繁不如东说念主脑。东说念主脑在同期处理多重担务时具有极大的生动性，或者在不同任务之间速即切换并保持高效。

在能耗和服从方面，高等AI系统，尤其是大型机器学习模子，频频需要大宗的筹画资源和能源，能耗远超东说念主脑。东说念主脑仅需约20瓦特即可运行，具有极高的信息处理服从。

总体来说，尽管东说念主工智能在特定领域已展示出卓绝的性能，但它仍然无法全面模拟东说念主脑，相当是在生动性、学习服从和多任务处理等方面。将来的AI磋议可能会接续缩小这些各异，但东说念主脑的复杂性和高效性仍是其难以超越的标杆。

▷Spooky Pooka ltd

3.2 底层机制方面的永逝

在基础结构方面，当代AI系统，相当是神经收集，固然受到生物神经收集的启发，但“神经元”（频繁是筹画单元）偏激相互流畅均依靠数值模拟。这些东说念主工神经收集的流畅和处理频繁齐是预设的、静态的，枯竭生物神经收集的动态可塑性。东说念主脑由约莫860亿个神经元构成，每个神经元通过数千到数万个突触流畅与其他神经元连络[6-8]，这种结构因循复杂的并行处理和高度动态的信远隔换。

在信号传递方面，AI系统中的信号传递频繁是通过数值筹画结束的，举例在神经收蚁集，神经元的输出是输入加权和的函数，这些加权和频繁通过浅薄的数学函数（如Sigmoid或ReLU）处理。神经信号传导依赖于电化学进程，神经元之间的信远隔流通过突触开释神经递质进行，并受到多种生示寂学进程的调控。

在学习机制方面，AI的学习频繁通过算法调治参数（如权重）来结束，举例通过反向传播算法。固然这种步履在时刻上灵验，但它需要大宗的数据，针对新的数据集需要再行教师或权贵调治模子参数，与东说念主脑的持续和无监督学习步地比较存在差距。东说念主脑的学习依赖于突触可塑性，即神经流畅的强度字据教养和行为而改变，这种可塑性因循持续的学习和操心酿成。

4. 模拟东说念主类智能的恒久贪图——通用东说念主工智能的配景和界说

通用东说念主工智能（AGI）的主见提倡，源于对狭义东说念主工智能（AI）的局限性的相识。狭义AI频繁专注于惩办特定的、收尾范围的问题，举例棋类游戏或说话翻译，但枯竭跨任务和领域的生动性。跟着科技的跳动和对东说念主类智能更深远的意会，科学家们启动设计一种雷同东说念主类的具备多领域领略智力、自主意志、创造力和逻辑推贤达力的智能系统。

AGI旨在创建一种智能系统，或者像东说念主类相似意会和惩办多领域问题，而且或者进行自我学习和稳健。这种系统将不单是是器具，更是当作智能实体参与到东说念主类的社会经济、文化行为中。AGI的提倡，代表了东说念主工智能发展的梦想状况，盼愿最终或者在全面性和生动性方面达到并超越东说念主类智能。

02 结束通用东说念主工智能的旅途

种种化的神经元模拟和收集结构夸耀出不同级别的复杂性。具有更丰富动态描绘的神经元的里面复杂性较高，而具有更宽和更深流畅的收集的外部复杂性较高。从复杂性的角度来看，现在频繁以为，有望结束通用东说念主工智能的旅途有两条，一种是外部复杂性大模子步履，举例通过加多模子的宽度和深度；另一种是里面复杂性小模子步履，举例通过向模子添加离子通说念或将其转变为多区室模子。

▷图3：神经元和收集的里面复杂性和外部复杂性

1. 外部复杂性大模子步履

在东说念主工智能（AI）领域，为了惩办更畴前和更复杂的问题，磋议者们越来越依赖于大型AI模子的诱导。这些模子频繁具有更深、更大、更宽的收集结构，可称之为“外部复杂性大模子步履”。这种步履的中枢，在于通过彭胀模子的界限，来增强其处理信息（尤其是在处理大宗数据）和学习的智力。

1.1. 大型说话模子的行使三级片大全

大型说话模子，如GPT（Generative Pre-trained Transformer）和BERT（Bidirectional Encoder Representations from Transformers）等，是现时AI磋议中的热门。这些模子通过深层神经收集学习大界限文本数据，掌持说话的深层语义和结构，或者在多种说话处理任务中展示出色的性能。举例，GPT-3通过教师大界限的文本数据集，不仅或者生成高质料的文本，还能进行问答、摘录、翻译等任务。

这些大型说话模子的主要行使，包括当然说话意会、文本生成、心绪分析等，因而可畴前行使于搜索引擎、酬酢媒体分析、客户管事自动化等领域。

1.2. 为什么要彭胀模子的界限？

美女中出

字据Jason Wei、Yi Tay、William Fedus等东说念主在Emergent Abilities of Large Language Models中的磋议，跟着模子界限的增大，模子的智力会出现“涌现”现象，即某些先前未明显的智力会已而浮现。这是因为模子在处理更复杂、更种种化的信息时，或者学习到更深档次的模式和关联。

举例，超大界限的说话模子能在未经特定针对性教师的情况下，出现惩办复杂的推理问题和创造性写稿的智力。这种“智能的涌现”现象标明，通过加多模子的界限，不错结束更接近东说念主类智能的畴前领略和处贤达力。

▷图4：大说话模子的涌现现象

1.3. 挑战

尽管大型模子带来了前所未有的智力，但它们也面对着紧要挑战，尤其是在服从和资本方面。

泉源，这类模子需要雄伟的筹画资源，包括高性能的GPU和大宗的存储空间，这径直加多了磋议和部署的资本。其次，大模子的能耗问题也日益杰出，这不仅影响模子的可持续发展，也激发了环保关心。此外，教师这些模子需要大宗的数据输入，这可能激发数据隐秘和安全性问题，尤其是当波及到敏锐或个东说念主信息时。临了，大型模子的复杂性和不透明性可能导致模子有计议进程难以解释，这在行使于医疗、法律等需求高度透明和可解释性的领域时，可能成为一个严重问题。

2. 里面复杂性小模子步履

提到大说话模子，东说念主们最直不雅的感受等于其高度“类东说念主”的输出智力。Webb等东说念主查验了ChatGPT的类比推贤达力[3]，发现它已涌现出了零样本推贤达力，或者在莫得明确教师的情况下惩办畴前的类比推理问题。一些东说念主以为，要是像ChatGPT这么的LLM照实或者对心绪学中的常见测量产生雷同东说念主类的响应（举例对行动的判断、对价值的认同、对社会问题的看法），那么它们在将来可能会取代东说念主类受试者群体。

2.1. 表面基础

神经元是神经系统的基本结构和功能单元，其主要构成部分包括细胞体、轴突、树突和突触。这些部分共同招引，完成信息的接管、整合和传递。以下将从神经元模子、电信号在神经元突起（树突和轴突）中的传导、突触及突触可塑性模子、带有复杂树突和离子通说念的模子等方面讲起，先容神经元模拟的表面基础。

▷图5：神经元的结构

2.1.1. 神经元模子

离子通说念

 

神经元的离子通说念和离子泵是调控神经电信号传递的重要膜卵白，它们阻挡着离子跨细胞膜的开通，从而影响神经元的电行为和信号传递。这些结构确保了神经元或者保管或调度静息电位、生成和传递动作电位，是神经系统功能的基础。

离子通说念是嵌在细胞膜中的卵白质通说念，它们不错调控特定离子（如钠、钾、钙和氯）的通过。电压变化、化学信号或机械应力等多种要素，阻挡这些离子通说念的开闭状况，从而对神经元的电行为产生影响。

▷图6：神经元的离子通说念和离子泵

等效电路

等效电路模子通过使用电路元件来模拟神经细胞膜的电生感性质，使得复杂的生物电现象不错在物理和工程的框架内得到解释和分析。等效电路模子，频繁包括膜电容、膜电阻、电源这3个基本元件。

神经元的细胞膜发扬出电容性质，这与细胞膜的磷脂双分子层结构相关。磷脂双层的疏水核繁重离子解放通过，使得细胞膜具有很高的电绝缘性。当细胞膜两侧的离子浓度不同，相当是在在离子泵的调度下，细胞膜两侧会酿成电荷辨别。由于细胞膜的绝缘性，这种电荷辨别在细胞膜上酿成了一个静电场，使得细胞膜能储存电荷。

电容元件被用来模拟这种储存电荷的智力，其电容值取决于膜的面积和厚度。膜电阻主要通过离子通说念的开闭来调控，它径直影响膜电位的变化速率和细胞对电流输入的响应。电源代表由离子泵产生的离子跨膜浓度差引起的电化学势差，这是保管静息电位和驱动动作电位变化的驱能源。

▷图7：等效电路走漏图

HH模子

基于等效电路的念念想，Alan Hodgkin和Andrew Huxley在20世纪50年代基于他们对乌贼巨神经元的实验磋议提倡了HH（Hodgkin-Huxley）模子，模子中包括钠（Na）、钾（K）和走电流（Leak Current）的电导，不错走漏每种离子通说念的开启进度，在模子中离子通说念的开闭进一步通过门控变量描绘，这些变量（m、h、n）具有电压依赖性和期间依赖性。HH模子的方程为：

LIF模子

LIF模子，即露出整合披发模子（Leaky Integrate-and-Fire model），是神经科学中一个常用的简化神经元动作电位的数学模子。该模子侧重于描绘膜电位[4-5]随期间的变化情况，而忽略生物神经元里面的复杂离子动态。

科学家们发现，当给神经元施加持续的电流输入[6-7]时，神经元的膜电位会随之高潮，直到达到某个阈值致使动作电位披发，之后膜电位速即复位，并重叠这一进程。LIF模子固然莫得描绘具体的离子通说念动态，但由于其筹画服从高，畴前行使于神经收集建模和表面神经科学磋议。其基本方程如下：

2.1.2. 电信号在神经元突起（树突和轴突）中的传导：电缆表面

19世纪末至20世纪初，科学家们启动相识到，神经元中的电信号不错通过轴突、树突等细长的神经纤维进行传播。关联词，跟着距离的加多，信号会发生衰减。科学家们需要一种表面器具来解释电信号在神经纤维中的传播进程，相当是在长距离上传播时的电位变化功令。

1907年，物理学家赫尔曼（Wilhelm Hermann）提倡了一个浅薄的表面框架，将神经纤维比作电缆，以此描绘电信号的扩散进程。这一表面其后在20世纪中世由霍奇金和赫胥黎等东说念主进一步发展，他们通过对神经元的实验测量，说明了离子流在信号传播中的重要作用，并树立了与电缆表面关系的数学模子。

电缆表面的中枢念念想是将神经纤维视为一段电缆，通过引入电阻、电容等电学参数，模拟电信号（频繁是动作电位）在神经纤维中的传播进程。神经纤维，如轴突和树突，被视为一维的电缆，电信号沿着纤维长度传播；膜电行为通过电阻和电容来描绘，电流的传导则受到纤维里面电阻和膜走电电阻的影响；信号在纤维中的传播，跟着距离加多，牢固衰减。

▷图8.电缆表面走漏图

2.1.3. 多区室模子

在早期的神经元建模中，如HH模子和电缆表面模子，神经元被简化为一个点状的“单一区室”，即只筹商膜电位在期间上的变化，而忽略了神经元各个部分的空间漫衍。这些模子合适描绘动作电位的产生机制，但无法充领会释信号在神经元复杂的形态结构（如树突、轴突等）中的传播特色。

跟着神经科学对神经元结构复杂性的相识接续加深，科学家们意志到：不同部分的电位变化会有权贵各异，尤其是在具有长树突的神经元中。树突和轴突中的信号传播不仅受到电信号的空间扩散影响，还会因为结构复杂性而出现不同的响应。因此，需要一种更精采的模子来描绘神经元中电信号的空间传播，这就促使了多区室模子（Multi-compartmental model）的提倡。

多区室模子的中枢念念想是将神经元的树突、轴突和细胞体分红多个相互流畅的区室（compartments），每个区室使用雷同于电缆表面的方程来描绘跨膜电位随期间和空间的变化，通过多个区室的相互流畅，模拟电信号在神经元里面的复杂传播旅途，并反应不同区室之间的电位各异。这种处理步地不错精确描绘电信号在神经元复杂形态中的传播，相当是树突上的电信号衰减和放大现象。

具体来说，神经元被分红多个小区室，每个区室代表神经元的一部分（如树突、轴突或细胞体的一段）。每个区室用电路模子走漏，电阻和电容用以描绘膜的电学特色，跨膜电位由电流注入、扩散和走电等要素决定。相近区室通过电阻流畅，电信号通过这些流畅在区室间传播。跨膜电位Vi在第i个区室中顺从雷同于电缆表面的微分方程：

在多区室模子中，某些区室（如细胞体或肇始区）可产生动作电位，而其他区室（如树突或轴突）则主要认真电信号的传播和衰减。信号通过不同区室之间的流畅传递，树突区的输入信号最终不错整合到细胞体并激发动作电位，动作电位再沿着轴突传播。

与单一区室模子比较，多区室模子或者反应神经元形态结构的复杂性，尤其是在树突和轴突等结构中的电信号传播进程。由于波及多个区室之间的耦合微分方程，多区室模子常需通过数值步履（如欧拉法或Runge-Kutta步履）进行求解。

2.2. 为什么要进行生物神经元的复杂动态模拟？

Beniaguev等东说念主的实验磋议标明，由于大脑不同类型神经元的复杂树突结构和离子通说念，单个神经元具有与5-8层深度学习收集相失色的卓绝筹画智力[8]。

▷图9:包含AMPA和NMDA突触的L5皮层锥体神经元模子，不错通过包含七个避讳层的TCN（期间卷积收集）来精确模拟，每个避讳层有128个特征图，历史时长为153毫秒。

He等东说念主的使命关心不同里面动态和里面复杂性的神经元模子之间的磋商[9]。他们提倡了一种将外部复杂性转变为里面复杂性的步履，这种里面动态更为丰富的模子具有一定的筹画上风。具体来说，他们在表面上证明了LIF模子和 HH模子存在能源学特色上的等效性，HH神经元不错与四个具有特定流畅结构的时变参数 LIF神经元（tv-LIF）能源学特色等效。  

▷图10：一种从tv-LIF模子转变到HH模子的步履

在此基础上，他们通过实验考证了HH收集在处理复杂任务时的灵验性和可靠性，并发现与简化的tv-LIF收集（s-LIF2HH收集）比较，HH收集的筹画服从权贵更高。这证明了将外部复杂性弯曲为里面复杂性，不错种植雅度学习模子的筹画服从；也领导，受生物神经元复杂动态启发的里面复杂性小模子步履，有但愿结束更苍劲和更高效的AI系统。

▷图11：LIF模子、HH模子、ｓ-LIF2HH的筹画资源分析

此外，由于结构和筹画机制的阻挡，现存东说念主工神经收集与委果大脑差距较大，无法径直用于意会委果大脑学习以及处理感知任务的机理。比较东说念主工神经收集，具有丰富里面动态的神经元模子，更接近委果的生物，对意会委果大脑的学习进程和东说念主类智能的机制有遑急作用。

3. 挑战性

尽管里面复杂性小模子步履在多个方面发扬出色，但它也面对着一系列挑战。神经元的电生理行为频繁通过复杂的非线性微分方程来描绘，这使得模子的求解分析极具挑战。由于神经元模子的非线性和不连气儿特色，使用传统的梯度下落步履进行学习变得复杂和低效。此外，如HH模子等里面复杂性的加多，减少了硬件并行性，降速了信息处理速率，因此需要硬件方面相应的创新和更正。

为了应酬这些挑战，磋议者们诱导了多种更正的学习算法。举例，使用近似梯度，惩办不连气儿特色的问题；使用二阶优化算法，愈加精确地捕捉蚀本函数的曲率信息加快不停。漫衍式学习和并行筹画的引入，使得复杂神经元收集的教师进程不错在大界限筹画资源下更高效地进行。

此外，生物启发式学习机制受到一些学者的关心。生物神经元的学习进程与现在的深度学习步履有很大不同。举例，生物神经元依赖于突触的可塑性来结束学习，这种机制包括了突触强度的增强和缩小，称为万古程增强（LTP）和万古程扼制（LTD）。这种机制不仅愈加高效，还或者减少模子对连气儿信号处理的依赖，从而缩小筹画背负。

▷MJ

03 弥合东说念主工智能和东说念主脑智能的差距

He等东说念主通过表面考证和模拟证明了更小、里面复杂的收集不错复制更大、更浅薄的收集的功能。这种步履不仅不错保持性能，还不错种植筹画服从，将内存使用量减少四倍，并将处理速率种植一倍，这也标明种植里面复杂性可能是种植 AI 性能和服从的灵验阶梯。

Zhu和Eshraghian对He等东说念主的著作Network model with internal complexity bridges artificial intelligence and neuroscience作念出了指摘[5]。他们以为，“AI 中里面复杂性和外部复杂性之间的争论仍然悬而未决，这两种步履齐可能在将来的跳动中阐明作用。通过再行疑望和加深神经科学和 AI 之间的磋商，咱们可能会发现构建更高效、更苍劲、甚而更雷同大脑的东说念主工智能系统的新步履。”

当咱们站在 AI 发展的十字街头时，该领域面对着一个重要问题：咱们能否通过更精确地模拟生物神经元的能源学来结束 AI 智力的下一次飞跃，如故会连接用更大的模子和更苍劲的硬件铺平前进的说念路？Zhu和Eshraghian以为，谜底可能在于两种步履的概述，这也将跟着咱们对神经科学意会的加深而接续优化更正。

尽管生物神经元动态的引入在一定进度上增强了AI的功能，但现在仍远未达到对东说念主类意志的模拟的时刻水平。泉源，表面的完备性依然不及。咱们对意志的骨子枯竭迷漫的意会，尚未酿成一个或者解释和展望意志现象的好意思满表面。其次，意志的模拟可能需要高性能的筹画模拟框架，现在的硬件和算法服从仍无法因循如斯复杂的模拟。此外，大脑模子的高效教师算法依旧是一个难题。复杂神经元的非线性行为加多了模子教师的难度，这需要新的优化步履来处理。大脑的很多复杂功能，举例万古期的操心保持、心绪处理和创造力，其具体神经机制和底层分子机制仍有待深远探索。如安在东说念主工神经收蚁集进一步模拟这些行为偏激分子机制，依然是绽放的问题。将来的磋议需要在这些问题上取得防止，才能委果走向对东说念主类意志和智能的模拟。

跨学科合作，关于东说念主类意志和智能的模拟至关遑急。数学、神经科学、领略科学、形而上学、筹画机科学等领域的协同磋议，将有助于更深远地意会和模拟东说念主类意志和东说念主类智能。唯有通过不同学科的合作，才能酿成愈加全面的表面框架，鞭策这项极具挑战的任务上前发展。

参考文件

[1] David Beniaguev， Idan Segev and Michael London. "Single cortical neurons as deep artificial neural networks." Neuron. 2021; 109: 2727-2739.e3 doi: https://doi.org/10.1016/j.neuron.2021.07.002

[2] Wei， J.， Tay， Y.， Bommasani， R.， Raffel， C.， Zoph， B.， Borgeaud， S.， Yogatama， D.， Bosma， M.， Zhou， D.， Metzler， D.， Chi， E.H.， Hashimoto， T.， Vinyals， O.， Liang， P.， Dean， J.， & Fedus， W. (2022). Emergent Abilities of Large Language Models. ArXiv， abs/2206.07682.

[3] 王超名， 陈啸宁， 张秋， 吴念念 (2023). 神经筹画建模实战：基于BrainPy. 电子工业出书社.

[4] He， L.， Xu， Y.， He， W.， Lin， Y.， Tian， Y.， Wu， Y.， Wang， W.， Zhang， Z.， Han， J.， Tian， Y.， Xu， B.， & Li， G. (2024). Network model with internal complexity bridges artificial intelligence and neuroscience. Nature computational science， 4(8)， 584–599. https://doi.org/10.1038/s43588-024-00674-9

[5] Zhu， R. J.， Gunasekaran， S.， & Eshraghian， J. (2024). Bridging the gap between artificial intelligence and natural intelligence. Nature computational science， 4(8)， 559–560. https://doi.org/10.1038/s43588-024-00677-6

[6] Hindley， N.， Sanchez Avila， A.， & Henstridge， C.M. (2023). Bringing synapses into focus: Recent advances in synaptic imaging and mass-spectrometry for studying synaptopathy. Frontiers in Synaptic Neuroscience， 15.

[7] Azevedo， F.， Carvalho， L.， Grinberg， L.， Farfel， J.， Ferretti， R.， Leite， R.， et al. (2009). Equal numbers of neuronal and nonneuronal cells make the human brain an isometrically scaled-up primate brain. J. Comp. Neurol. 513， 532–541. doi: 10.1002/cne.21974

[8] Obi-Nagata， K.， Temma， Y.， and Hayashi-Takagi三级片大全， A. (2019). Synaptic functions and their disruption in schizophrenia: From clinical evidence to synaptic optogenetics in an animal model. Proc. Jpn. Acad. Ser. B Phys. Biol. Sci. 95， 179–197. doi: 10.2183/pjab.95.014