现在很多AI应用模型，都不得不提到一个模型结构：
Transformer。
它抛弃了传统的CNN和RNN，完全由Attention机制组成。
Transformer不仅赋予了各种AI应用模型写文作诗的功能，而且在多模态方面也大放异彩。
尤其是ViT（Vision Transformer）出来之后，CV和NLP之间的模型壁垒被打破，仅使用Transformer一个模型就能够处理多模态的任务。
（谁看完不得感叹一句它的强大啊）
虽然一开始Transformer是为语言任务而设计的，但它在模仿大脑方面也有着很大的潜力。
这不，有位科学作家写了篇博客，就是关于Transformer是如何进行大脑建模的。
来康康他是怎么说的？
首先，还得梳理一下它的演变过程。
Transformer机制在5年前首次出现，它能够有这么强大的表现，很大程度上归功于其Self-attention机制。
至于Transformer是如何模仿大脑的，继续往下看。
在2020年，奥地利计算机科学家Sepp Hochreiter的研究团队利用Transformer重组了Hopfield神经网络 （一种记忆检索模型，HNN）。
其实，Hopfield神经网络在40年前就已经被提出，而研究团队之所以时隔数十年选择重组这个模型原因如下：
其一，这个网络遵循一个普遍的规律：同时活跃的神经元之间彼此会建立很强的联系。
其二，Hopfield神经网络在检索记忆的过程中与Transformer执行Self-attention机制时有一定的相似之处。
所以研究团队便将HNN进行重组，让各个神经元之间建立更好的联系，以便存储和检索更多的记忆。
重组的过程，简单来说，就是把Transformer的注意力机制融合进HNN，使原来不连续的HNN变为可连续态。
重组之后的Hopfield网络可以作为层集成到深度学习架构中，以允许存储和访问原始输入数据、中间结果等。
因此，Hopfield本人和麻省理工学院沃森人工智能实验室的Dmitry Krotov都称：
虽说这在一定程度上与大脑的工作原理相像，但在某些方面还不够准确。
因此，计算神经科学家Whittington和Behrens调整了Hochreiter的方法，对重组后的Hopfield网络做出了一些修正，进一步提高了该模型在神经科学任务中（复制大脑中的神经放电模式）的表现。
简单来说，就是在编码-解码时，模型不再把记忆编码为线性序列，而是将其编码为高维空间中的坐标。
具体而言，就是在模型中引入了TEM（Tolman-Eichenbaum Machine）。
TEM是为了模仿海马体的空间导航作用而构建的一个关联记忆系统。
它能够概括空间和非空间的结构知识，预测在空间和关联记忆任务中观察到的神经元表现，并解释在海马和内嗅皮层中的重新映射现象。
将拥有这么多功能的TEM与Transformer合并，组成TEM-transformer（TEM-t）。
然后，再让TEM-t模型在多个不同的空间环境中进行训练，环境的结构如下图所示。
在TEM-t中，它依旧拥有Transformer的Self-attention机制。这样一来，模型的学习成果便能迁移到新环境中，用于预测新的空间结构。
研究也显示，相较于TEM，TEM-t在进行神经科学任务时效率更高，而且它也能在更少学习样本的情况下处理更多的问题。
Transformer在模仿大脑模式的道路上越来越深入，其实换句话说，Transformer模式的发展也在不断促进我们理解大脑功能的运作原理。
不仅如此，在某些方面，Transformer还能提高我们对大脑其他功能的理解。
比如说，在去年，计算神经科学家Martin Schrimpf分析了43种不同的神经网络模型，以观察它们对人类神经活动测量结果：功能磁共振成像（fMRI）和皮层脑电图（EEG）报告的预测能力。
其中，Transformer模型几乎可以预测成像中发现的所有变化。
倒推一下，或许我们也可以从Transformer模型中预见大脑对应功能的运作。
除此之外，最近计算机科学家Yujin Tang和 David Ha设计了一个模型，可以通过Transformer模型以随机、无序的方式有意识地发送大量数据，模拟人体如何向大脑传输感官观察结果。
这个Transformer就像人类的大脑一样，能够成功地处理无序的信息流。
虽然Transformer模型在不断进步，但也只是朝着精确大脑模型迈出的一小步，到达终点还需要更深入的研究。
如果想详细了解Transformer是如何模仿人脑的，可以戳下方链接～
参考链接：
[1]https://www.quantamagazine.org/how-ai-transformers-mimic-parts-of-the-brain-20220912/
[2]https://www.pnas.org/doi/10.1073/pnas.2105646118
[3]https://openreview.net/forum?id=B8DVo9B1YE0
“
