Summer Camp-AI | Info Church X.

7.27

Visual Inputs + Extra Motion Inputs → 对于相同的视觉输入，

Problem of traditional DQR: adapt to environment changes

Trace Learning

核心想法：现实世界的物体是逐渐变化的，是否可以利用这个特征让模型“无师自通”？

是前一时刻的输出，是短期的记忆项，

跟DL的区别：没有全局的cost，直接进行局部的更新（没有证据表明神经元有一个全局的目标）；是无监督学习，没有提前的标签，模型根据物体在时间轴上的关系自动归类

Binding Problem

大脑如何将由不同神经元、不同脑区分别处理的各种信息（颜色、形状、运动、声音、位置等），整合成一个统一、连贯的知觉对象？

进一步，为什么我们的意识是统一的，而不是许多彼此独立的信息碎片？

SNN：属于一个对象的神经元同时放电（timing multiplexing），神经元之间有transmission delays

💡

整个网络的连接状态变成了输出，而不是只有一个最终的向量！！

STDP学习的最终结果不是某个固定任务上的最优输出，而是整个网络连接结构及其动力学特性的自组织形成。由于没有统一的全局Loss，每个突触仅依据局部时序活动进行更新，因此网络能够同时形成多个细胞集群（cell assemblies）、吸引子（attractors）和功能模块。这些内部结构本身就是学习结果，而不仅仅是产生最终输出的中间表示。相比之下，传统Deep Learning通过全局误差反向传播优化特定任务，其隐藏层表示虽然常常具有丰富的语义信息，但这些表示主要服务于降低最终Loss，并不构成独立的学习目标。