这是将比较猴子和人类大脑活动的研究方法应用到人工神经网络上的结果。这一发现不仅有助于理解注意力选择的皮层机制，也有助于人工智能的发展。

　　深度神经网络(Deep neural networks, dnn)是一种用于人工智能开发的数学模型，用于从大规模数据集的训练中获得解决特定问题的适当机制。然而，深层神经网络通过这一学习过程的详细机制尚未明确。

　　由东宝大学理学院讲师Nobuhiko Wagatsuma，东京电机大学科学与工程学院副教授Akinori Hidaka和大阪大学前沿生物科学研究生院副教授Hiroshi Tamura领导的研究小组，发现dnn预测对图像中最重要位置的注意力的反应特征与灵长类动物初级视觉皮层(V1)的神经表征特征一致。

　　这一发现是通过将猴子与人类神经元活动特征进行比较的分析方法应用于dnn而实现的。

　　这项研究的结果为研究注意力的神经机制提供了重要的见解。此外，注意机制在包括人类在内的灵长类动物中的应用可能会加速人工智能的发展。

　　的correspo将人类和猴子等不同物种的神经活动对比研究方法应用于人工神经网络，揭示了灵长类动物视觉皮层与深度神经网络之间的关系。

　　近年来，深度神经网络已成为开发人工智能的主要方法。Wagatsuma等人报道了用于预测注意力的深度神经网络与灵长类动物的初级视觉皮层(V1)之间的相似特性。此外，他们的研究结果表明，深度神经网络用于注意力预测的机制可能与用于物体分类的机制(如VGG 16)不同。

　　注意力是一种功能，它使我们能够集中注意力当前重要的信息，这是人工智能近期发展中最关键的关键词。这项研究的结果可能会提供一些参考贡献不是0不仅是为了理解包括人类在内的灵长类动物的注意选择的神经机制，也是为了开发人工智能。