看图识数的神经网络,人工智能距人类又近了一步

还记得从什么时候开始，你学会了看图识数，什么时候开始明白1和2的含义么？

也许我们都记不清了，因为这种直观的数字感是却是人类和动物与生俱来的优势。 与计算机不同的是，当我看到2只小猪或者2个小鸭子和数字符号2在一起时候，我们可能不需要计算就会知道，它们都有一个共同点——“2”这个抽象概念。

即便现在的计算机已经可以在一秒内完成数百万次的计算，机器学习已经可以识别小猫小狗，让人工智能网络像小孩一样学习辨别数字仍是一件新颖的研究。

上周在Science Advances发表的一篇文章表明， 让神经网络重复婴儿、猴子和乌鸦等生物的认知技能，在没有经过任何训练的情况下， 它突然学会了分别更大和更小的数量差异，也就是我们刚刚说的数字感。 很多专家认为数字感是我们计算和运用复杂数学能力的重要前提。 但是关于这种能力如何在年幼的大脑中自发产生的，我们还不得而知。

看图识数的神经网络

近年来，受生物学启发的深度神经网络为视觉系统的运作提出很多有价值的启发。生成神经网络，即一类深层网络通过学习感官输入来构建内部模型，已被证明具有数字感，但无法解释数字神经元的出现。

为了研究它的发展，来自德国蒂宾根大学的生物学研究所Nieder教授试图建立一个深度学习网络，来interwetten与威廉的赔率体系 我们大脑中视觉系统的运作，看看在没有训练软件的情况下是否会出现数量特征。

研究人员首先在120万个图像的标准数据集上训练网络，这些图像分为1,000个不同的类别。最终，像之前的训练系统一样它可以辨别动物和昆虫的图片，不仅可以辨别狗和蜘蛛还可以辨别其特定的品种。

接下来，研究人员向神经网络展示了只包含黑色背景上的白点图案，以表示数字1到30，在没有任何关于数字的指导或被告知寻找数量上的差异，神经网络做到了将图像根据点数分类。

“这项研究很酷的地方在于，当你训练视觉系统的神经网络来完成物体识别等任务时，它其实还可以自学一些其他东西，如数字。”麻省理工学院大脑和认知科学系教授James DiCarlo说。

Nieder的团队使用模拟人类大脑的深度学习系统，其中“神经元”既接收来自系统中高等神经元的输入，又将该信息发送到线路上，某些神经元基于其特征或模式被刺激而“反射”。

使用这个模型，Nieder将网络神经元的激活与猴子大脑中的神经元进行了比较，这些神经元显示出相同的点图案。

人工神经元的行为与动物大脑的视觉处理区域中的神经元完全相同，具有对特定数字的偏好和调整。例如，特地数字6神经元会在出现6个点时候表现出最高的激活水平，数字5和图像7的匹配激活水平降低一点，数字4和7点图像更低，当刺激物远离其目标数量时，神经元的活动不断下降。

神经网络也会犯和人类大脑相似的错误， 它更难以区分较近的数字，如4和5，而不是相距较远的数字，如4和9。它也很难区分较大的数字，如20和25。

人工智能距人类又近了一步

“这对我们来说非常令人兴奋，因为这些正是我们在大脑真实神经元中的反应类型，”Nieder说。“这可能可以解释我们的大脑，至少我们的视觉系统，可以自发地表示场景中的物体数量。”

研究数学思维的巴黎笛卡尔大学的研究科学家VéroniqueIzard在一封电子邮件中写道，这项研究表明了数字感不是从进化上选择的，而是作为识别物体的副产品自发地出现。

Nieder认为这种类型的神经网络提供了更好的人脑模型。他说：“我们现在可以对大脑中的事情如何发生，以及从人工智能网络到真实网络的来回做出假设。我认为这些网络对基础科学来说是一大优势。”

实现表明我们的学习原则还是非常基础的，人类和动物所展示的一些高层次的思考可能与我们的视觉体验密切相关。 我们可以沿着这个方向，将学习训练应用于其他任务，去实现一些更具人类特质的人工智能。

随着我们不断发现更多关于构建人工智能学习的威廉希尔官方网站 ，并找到了解生物大脑的新方法，我们将会解开了更多智能、适应性行为的奥秘。

虽然还有很长的路要走，很多其他方面去探索，但很清楚的是，人类之所以有这么强大的适应能力与我们看审视世界的能力和总结经验的能力密不可分。毫无疑问，这也将是任何人工智能系统的必要组成部分，这样才有可能像人类一样完成多样性和复杂性的任务。