用于图像识别的人工智能自动获得“数字感觉”

我们中的许都在为数学的概念而苦苦挣扎，但是我们每个人都有一个固有的“数字意义”. 由于隐藏在视觉皮层中的一组奇怪的“数字神经元”，人类新生儿，猴子，牛和其他动物拥有奇特的超能力，可以在不知道如何计数之前一眼就能看到一个场景，并凭直觉判断有多少东西内部.

人工智能现在已经学会了自己做同样的事情.

在上周发表于《科学进步》上的一项研究中，由宾根大学博士领导的研究小组在德国发现，生物激发深度神经网络自发地自发地获得了数字吗？只是在训练中识别图像中的对象时.

类似于人脑，人造视觉皮层逐渐发展出具有一定抽象量的单位. 如果没有这个团队明确地告诉人工智能数字是什么，网络就可以区分图像的大小，并且每个数字单元都能准确地“调整”为一个特定的数字. 当人工智能在数字认知测试中面临挑战时，它甚至可能犯下让人想起生物大脑的错误.

作者得出结论: “数字意识的自发出现似乎是基于视觉系统的内在机制. ”

这项研究是使用机器智能探索人类智能的最新示例. 内德说: “我们现在可以对大脑中发生的事情做出假设，并且可以在人工网络和真实网络之间来回切换. ”

数字之谜

尽管我们经常将数字与计数和数学相关联，但大多数人可以看到两个甜甜圈，并凭直觉确定哪个盒子有更多甜甜圈-尤其是当数字相对时，当它很小时.

到4个月大时，人类婴儿已经能够区分两种和三种类型. 随着年龄的增长和经验的积累，即使成年人正努力争取更大的数字，我们对数字的感觉也越来越强. 例如，想象一下如何将100,000与125,000 Come区别开来.

但是，尽管抽象意义在数字信息处理中起着关键作用，但很长一段时间以来，科学家一直对数字神经元如何产生抽象意义感到困惑. 认知心理学的经典方法是招募幼儿并观察他们对彩片中不同数量物体的反应. 神经科学解决方案是直接测量动物神经元的电颤动.

Nieder和他的团队决定采用一种非常不同的方法: 认知心理学和工程智能人工智能越来越重要. 那么为什么不扭转这种局面并利用人工智能来研究认知呢？

人工视觉网络

深度学习网络具有非常不同的架构. 在这里，研究小组研究了具有深厚生物学根源的分层卷积神经网络. 这些模型在计算机视觉应用中获得了普及和成功. 他们最初的灵感来自1950年代初发现视觉皮层细胞.

像我们处理视觉的方式一样，HCNN具有多层结构，可以从图像中提取越来越多的抽象信息. 然后图像识别 数字，将这些数据收集到分类层中，该分类层将吐出最终结论: 这是微型雪纳瑞犬，而不是标准雪纳瑞犬或巨型雪纳瑞犬.

类似于人类视觉，经过训练后，HCNN会根据图像的特定方面自然地“进化”神经元，以最大化网络在特定任务中的性能. 也就是说，当它“看到”一条线，一张脸或难以分类的奇怪的像梦一样的形状时，就会激活一些人造神经元.

该团队首先使用ImageNet训练他们的HCNN. ImageNet是一个包含约120万张自然照片的数据集，分为1000类. 像以前的目标识别算法一样，人工智能已经学会了准确地对每幅图像中的主要恒星进行分类: 例如图像识别 数字，狼蛛，盒龟或项链.

接下来是有趣的部分: 在猴子对数字能力的研究的启发下，研究小组在黑色背景上生成了从1到30范围内的不同数量的白点. 然后，他们展示了HCNN的336点图像网络-丢弃分类层后-分析隐藏在这些层中的不同单元的响应.

一些其他

在没有经过明确培训的情况下，该网络开发出了对数字敏感的单元，约占所有计算单元的10％.

研究小组说，它们的行为“几乎像真正的神经元一样”. 每个单元都会自动学习仅以特定的数量“发射”，并且当图像偏离目标时，它们将变得越来越安静. 例如，当一个人造神经元调整为“ 4”“看到” 4个点时，其活动将激增，但是当看到一个具有10个点的图像时，它几乎不会窥视.

更重要的是，更多单位似乎更喜欢较小的数字（0到5），而不是相对较大的数字（例如20或更大），这代表了团队的另一项完整性检查. 科学家此前曾观察到真实神经元中存在这种奇怪的分布，这表明人工智能正在捕捉实数的基本特征.

尼德说: “这可能是我们的大脑，至少是视觉系统的线条可以自发地表示场景中物体数量的一种解释. ” “这让我们非常兴奋. ”

人造神经元的数量不仅仅是为了炫耀. 当被要求完成类似于人类和猴子实验的配对任务时，它们的个人表现与成功有关. 在每个实验中，研究团队将向人工智能显示两个点阵图像. 然后，记录这些反应并将其发送到第二个网络，第二个网络判断两个图像是否包含相同数量的点. 经过培训，成功率为81％，与接受类似测试的人的准确率相近.

即使是人工智能的网络故障也与人类网络故障惊人地相似. 例如，当面对两个相似的数字时，网络将犯更多的错误，就像很难区分29和30，但是很容易区分15和30. 当给定两组具有相等距离的数字时，例如，与我们的25和30人为人工智能相比，1和5会像我们一样与更大的数字作斗争.

“视觉系统的操作似乎足以使人们产生数字视觉感觉……

基本的数字感知可能不取决于特定领域的发展，但似乎使用了现有的皮质网络.

人工智能

这项研究强调了人工智能如何帮助理解大脑的复杂新兴特征.

博士麻省理工学院（MIT）的认知科学家James DiCarlo没有参加这项研究. 他说: “这项研究的有趣之处在于，他们正在对某些东西进行视觉检测，但通常不将其视为纯粹的视觉对象，例如数字. ”

与先前的观点相反，作者发现深度学习网络显示出更高的抽象水平和泛化其学习的能力-这是实现智能人工智能的必要步骤，该人工智能可以将学习从一项任务转移到另一项任务. 这项研究中精确调整单元的发现可能会进一步用于使人工智能更加普遍.

接下来，研究团队希望增加强化学习（模仿人类的更高认知能力），以查看它是否可以进一步改善数字匹配任务. 他们还想探索计数背后的机制，这种机制会随着时间而不是空间进行处理. 儿童如何发展这种关键的认知技能仍然未知；智能机器也许能够找到答案.

本文来自电脑杂谈，转载请注明本文网址：
https://www.pc-fly.com/a/jisuanjixue/article-216233-1.html