兩位神經(jīng)科學(xué)家說，基于計(jì)算機(jī)的人工智能在被編程為使用更快的技術(shù)來學(xué)習(xí)新物體時(shí)，其功能更像是人類的人工智能，他們?cè)O(shè)計(jì)了這種模型以反映人類的視覺學(xué)習(xí)。

在《計(jì)算神經(jīng)科學(xué)前沿》雜志中，喬治敦大學(xué)醫(yī)學(xué)中心神經(jīng)科學(xué)教授馬克西米利安·里森胡伯(Maximilian Riesenhuber)博士和加州大學(xué)伯克利分校的博士后學(xué)者約書亞·魯爾(Joshua Rule)博士解釋了這種新方法如何極大地改善了這種方法。 AI軟件快速學(xué)習(xí)新視覺概念的能力。

Riesenhuber說：“我們的模型為人工神經(jīng)網(wǎng)絡(luò)提供了一種生物學(xué)上可行的方法，可以從少量示例中學(xué)習(xí)新的視覺概念。” “我們可以利用以前的學(xué)習(xí)方法，以我們認(rèn)為能夠反映大腦活動(dòng)的方式，使計(jì)算機(jī)從很少的例子中學(xué)習(xí)得更好。”

人類可以從稀疏數(shù)據(jù)中快速而準(zhǔn)確地學(xué)習(xí)新的視覺概念，有時(shí)僅僅是一個(gè)例子。甚至三至四個(gè)月大的嬰兒也可以輕松學(xué)會(huì)識(shí)別斑馬，并將其與貓，馬和長(zhǎng)頸鹿區(qū)分開。Riesenhuber解釋說，但是計(jì)算機(jī)通常需要“查看”同一對(duì)象的許多示例才能知道它是什么。Riesenhuber說，最大的變化是設(shè)計(jì)軟件來識(shí)別整個(gè)視覺類別之間的關(guān)系，而不是嘗試僅使用低級(jí)和中間信息(例如形狀和顏色)來識(shí)別物體的更標(biāo)準(zhǔn)方法。

他說：“大腦層次結(jié)構(gòu)的計(jì)算能力在于，它可以利用以前從數(shù)據(jù)庫中學(xué)到的表示形式來簡(jiǎn)化學(xué)習(xí)，這種表示形式充滿了關(guān)于對(duì)象的概念。”

Riesenhuber和Rule發(fā)現(xiàn)，以以前學(xué)習(xí)的概念表示對(duì)象的人工神經(jīng)網(wǎng)絡(luò)可以更快地學(xué)習(xí)新的視覺概念。

Rule解釋說：“我們的方法不是從低級(jí)視覺特征上學(xué)習(xí)高級(jí)概念，而是從其他高級(jí)概念上進(jìn)行解釋。這就像說鴨嘴獸看起來有點(diǎn)像鴨子，海貍，和海獺。”

人類視覺概念學(xué)習(xí)的基礎(chǔ)大腦結(jié)構(gòu)建立在涉及對(duì)象識(shí)別的神經(jīng)網(wǎng)絡(luò)上。人們認(rèn)為大腦前顳葉包含超出形狀的“抽象”概念表示。這些用于視覺識(shí)別的復(fù)雜神經(jīng)層次結(jié)構(gòu)使人們可以學(xué)習(xí)新任務(wù)，并且至關(guān)重要的是，可以利用先前的學(xué)習(xí)方法。

Riesenhuber說：“通過重用這些概念，您可以更輕松地學(xué)習(xí)新概念，新含義，例如，斑馬就是不同條紋的馬。”

科學(xué)家們說，盡管人工智能技術(shù)取得了進(jìn)步，但人類視覺系統(tǒng)仍然是從幾個(gè)例子進(jìn)行概括，強(qiáng)大地處理圖像變化和理解場(chǎng)景的能力的黃金標(biāo)準(zhǔn)。

Riesenhuber總結(jié)說：“我們的發(fā)現(xiàn)不僅提出了可以幫助計(jì)算機(jī)更快更有效地學(xué)習(xí)的技術(shù)，還可以促進(jìn)旨在了解人們?nèi)绾稳绱搜杆俚貙W(xué)習(xí)的神經(jīng)科學(xué)實(shí)驗(yàn)，而這還沒有被很好地理解。”