处理具有多个对象的事件。同步输入，其中所有对象同时显示给计算机（左），而异步输入中，对象按时间顺序显示给大脑（右）。
尽管大脑是一个非常慢的机器，但其功能却超过了典型的最新技术，超快人工智能算法。因此，正如物理学家在实验和理论上所证明的，深度学习的革命必将出现。
70年前引入的机器学习基于我们大脑学习动态的证据。利用现代计算机和大数据集的速度，深度学习算法最近产生的结果可与各种适用领域的人类专家相媲美，但具有与当前神经科学学习知识相距甚远的不同特征。
以色列的Bar-Ilan大学的一组科学家利用神经元文化的高级实验和大规模模拟，展示了一种新型的超快速人工智能算法-基于非常缓慢的大脑动力学-超过了迄今为止各州所实现的学习率最先进的学习算法。
在《科学报告》杂志上发表的一篇文章中，研究人员重建了神经科学与先进的人工智能算法之间的桥梁，这种桥梁实际上已经无用了近70年了。
“目前的科学和技术观点是神经生物学和机器学习是独立发展的两个截然不同的学科，”该研究的主要作者，巴伊兰大学物理系和Gonda（Goldschmied）多学科大脑研究中心的Ido Kanter教授说。 。“缺乏预期的相互影响令人感到困惑。”
“大脑中神经元的数量少于现代个人计算机的典型光盘大小中的位数，大脑的计算速度就像是秒针，甚至比发明了70多台第一台计算机的速度还要慢多年前，”他继续说道。坎特教授补充说：“此外，大脑的学习规则非常复杂，与当前人工智能算法中学习步骤的原理背道而驰。”他的研究团队包括赫鲁特·乌赞（Urut Uzan），希拉·萨尔迪（Shira Sardi），埃米尔·金塔尔（Amir Goldental）和罗尼·瓦尔迪（Roni Vardi）。
脑动力学并不符合为所有神经细胞同步的定义明确的时钟，因为随着物理现实的发展，生物学方案必须应对异步输入。“当向前看时，会立即观察到带有多个物体的框架。例如，在驾驶时，人们会观察汽车，人行横道和道路标志，并可以轻松地识别它们的时间顺序和相对位置。”坎特教授说。“生物硬件（学习规则）旨在处理异步输入并完善其相对信息。”相反，传统的人工智能算法基于同步输入，因此通常会忽略构成同一帧的不同输入的相对时序。
这项新研究表明，无论大小网络，超快学习率都令人惊讶地相同。因此，研究人员说，“复杂的大脑学习方案的缺点实际上是一个优点”。另一个重要发现是，无需根据异步输入通过自适应进行学习，就可以进行学习。如最近通过实验观察到的，这种无学习的学习发生在树突中，即每个神经元的多个末端。此外，树突学习下的网络动态由以前认为无关紧要的较弱权重控制。
基于非常慢的大脑动力学的高效深度学习算法的思想为基于快速计算机的新型高级人工智能提供了机会。它呼吁重新建立从神经生物学到人工智能的桥梁，正如研究小组得出的结论：“对大脑基本原理的理解必须再次成为未来人工智能的中心”。
