Y学习不需要大脑。例如，黏菌可以解决迷宫和穿越障碍，而这一切都不需要一个神经元。关于他们周围环境的信息以某种方式储存在他们的身体里。(科学家们还不清楚它是如何工作的。)
但那些不是活物的东西呢?一个新的纸这表明，一种合成晶体——氧化镍钐(简称SNO)——可以模拟学习。
SNO的能力来自于它对环境的敏感性。当它与氢气接触时，它从氢气中窃取电子，电阻率增加。普渡大学(Purdue University)材料科学教授、该研究的合著者施里拉姆·拉马纳坦(Shriram Ramanathan)说:“它基本上改变了材料的电阻，改变幅度达多个数量级——甚至在室温下也会发生。”“这是一个非常显著的效果。”
然而，连续暴露会产生递减的回报——sno对氢变得“习惯”，其电阻率增加的速度更慢。Ramanathan说:“你可能会认为这种行为是理所当然的。“(但)适应被认为是生物体的一项非常基本的生存技能。”例如，狗可以习惯汽车引擎的噪音。一开始，它们可能具有威胁性，所以狗会消耗能量吠叫。但在足够长的时间后，它们通常会停止。(这样，狗狗就能保存能量和注意力，以应对真正的威胁，比如邮递员。)
当然，学习不仅仅是习惯化。当你的记忆空间有限时，忘记也很重要，能够为新的记忆腾出空间，SNO也能做到这一点：在一段时间不接触氢气后，SNO的电阻降低。本质上，它逐渐“忘记”了暴露在氢气中的影响。
关键是要循序渐进，而不是灾难性地失去信息。拉马纳坦说，他相信逐渐遗忘的能力具有“广泛的含义”。“直到死的那一天，你都在学习新的信息，”他说。“这是为什么呢?有一种机制可能会让你忘记不重要的信息。”
SNO可能是第一种既能使人习惯，又能逐渐忘记在无生命的合成晶体中难以见到的生物体性质的合成材料。因此，研究人员创造了“有机体”一词来描述它。但是，这些属性是否足以用于学习？研究人员用这些特性装备了一个人工神经网络作为测试。
他们给它输入了两套规则或算法。一种被称为“峰值时间依赖性可塑性”(STDP)的算法并不是为了逐渐忘记信息而设计的。当研究人员向它展示三个数字——0、1和2时，神经网络记忆得很好，太好了。
当显示另一个数字时，无法忘记0,STDP算法混淆了0和1，然后，显示下一个数字，混淆了所有三个数字。
而第二种算法被称为自适应突触可塑性(ASP)，它利用了SNO记忆信息并逐渐忘记信息的能力，能够毫不费力地代表每一个连续的数字。ASP的成功是平衡习惯和遗忘的结果。
起初，ASP记住了第一个数字0，尽管没有STDP那么强。但当显示第二个数字时，ASP能够忘记一些0来为1腾出空间。ASP既保留了旧数字，又表示了新数字，而不是将数字混合在一起。
但即使SNO可以忘记和习惯，它真的是“学习”吗？不管是什么，这与黏菌学习识别各种不同的物质是无害的相差甚远，这是一项复杂得多的任务。但是，如果我们像黏菌研究人员所说的那样，将学习简单地视为“由经验引起的行为变化”定义它,然后SNO做学
以擅长人工智能而闻名的博学多才赫伯特•西蒙(Herbert Simon)曾写道:“人类，被视为行为系统，是相当简单的。随着时间的推移，我们行为的明显复杂性在很大程度上反映了我们所处环境的复杂性。”
sno(没有大脑甚至活细胞)可以学习，这可能会让人感到不安。如果几层原子也能学习，那我们有多特别?但话又说回来，仅仅因为人类在学习上没有垄断，并不意味着我们不是独一无二的。我们确实发现了SNO。
丹·加里斯托是鹦鹉螺。
最新和最受欢迎的文章投递到您的收件箱!
观察：理查德·赛卡利，加州大学伯克利分校的化学家，关于水如何教给我们氢键。
