问：
机器学习如何帮助观察生物神经元-为什么这是一种令人困惑的AI类型？
A：机器学习不仅可以模拟人脑的活动-科学家还使用ML驱动技术来实际查看大脑本身以及这些系统所基于的单个神经元。
《连线》杂志的一篇文章谈到了人们正在努力研究大脑并实际确定单个神经元的特性。 作家Robbie Gonzalez谈到了2007年的工作，该工作说明了当今机器学习开发中仍处于前沿的一些事情。
| 免费下载： 机器学习及其重要性 |
从某种意义上说，这些项目还显示了有监督的机器学习的劳动密集型性质。 在受监督的机器学习程序中，必须仔细标记训练集数据，以帮助建立成功且准确的项目。
冈萨雷斯谈到了一个情况，团队中的各个成员聚在一起进行大规模的工作，而这些工作是获得这些项目所需的标签的必要条件-描述了一群暑期学生，研究生和博士后，分子神经科学家玛格丽特·萨瑟兰德描述了数据注释如何帮助准备数据集。 由萨瑟兰（Sutherland）主持的美国国家神经疾病和中风研究所是该研究的资助者之一。
旧金山神经科学家斯蒂芬·芬克贝纳（Stephen Finkbeiner）和Google的一些专家使用一个深层神经网络，观察了带有或不带有各种荧光标记的细胞图像。 这项技术研究了神经元的各个部分，例如轴突和树突，并试图将各种类型的细胞相互隔离，这一过程被芬克贝纳（Finkbeiner）等人称为“计算机标记”或“ ISL”。
这种类型的研究可能会使刚接触机器学习过程的人特别困惑。 这是因为机器学习和人工智能的思想高度基于神经网络，而神经网络本身就是神经元在人脑中如何工作的数字模型。
建立在生物神经元上的人工神经元具有一组加权输入，一个转换函数和一个激活函数。 与生物神经元类似，它采用某种形式的数据驱动输入并返回输出。 因此，科学家可以使用这些受生物启发的神经网络来实际观察生物神经元，这有点讽刺。
从某种意义上讲，它在递归技术的困境中有一定的发展-但它也有助于加快该行业的学习过程-并且也向我们证明，最终，神经科学和电气工程正变得非常紧密链接。 在某些人看来，我们正在接近IT伟大思想家Ray Kurzweil所说的奇异之处，人与机器之间的界限将逐渐变得模糊。 重要的是要看科学家如何将这些非常强大的技术应用于我们的世界，以便更好地了解所有这些新模型的功能。
