人工智能系统首次自发发展出与婴儿同等的数量区分能力 | 广东省智能创新协会

发布日期:2019-05-11 10:00
模拟大脑网络以识别动物种类或运动器材的人工智能系统早已成为旧闻。但是,让一个人工智能网络自发地学习,并且这一学习过程与早期人类儿童学习过程高度相似,这一发现却十分让人震惊。在近日发表在Science Advances上的一篇论文中,提出了一种能自发区分不同事物数量的神经网络,尽管它从来没有被教过什么是数字。



神经网络重复了人类婴儿、猴子和乌鸦等人的认知技能。没有任何训练,它突然可以分辨出更大和更小的数量之间的差异:一种称为数字性或数字感的技能。许多人认为数字意义是我们计算和完成更复杂数学的能力的重要前提。但是关于这种能力如何在年轻大脑中自发产生的问题仍然存在。

为了研究它的发展,来自德国蒂宾根大学的科学家使用了一种深度学习系统,旨在模拟人类的大脑,看看是否会出现数字,而无需培训软件。“我们试图通过建立一个深度学习网络,一个人工神经网络来模拟我们大脑视觉系统的运作,”蒂宾根神经生物学研究所教授,新论文的资深作者Andreas Nieder说。“最大的问题是,我们的大脑和动物大脑有可能自发地代表视觉场景中的物品数量吗?”



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,像它之前的许多系统能够识别动物和昆虫的图片,不仅可以作为狗或蜘蛛,还可以作为特定品种的迷你雪纳瑞或狼蛛。

接下来,研究人员展示了神经网络图像,其中只包含黑色背景上的白点图案以表示数字1到30,在系统没有任何关于数字的培训或被告知寻找数量差异的前提下,系统能够进行分类每个图像的点数。“当您训练看起来像视觉系统的神经网络来完成物体识别等任务时,它会自发学习其他东西。”麻省理工学院大脑和认知科学系教授James DiCarlo说,他没有参与这项研究。“这项研究的一个很酷的地方在于它们是在测量被视觉探测的东西,但通常不被视为纯粹的视觉事物,如数字。”

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响应特定刺激而“发射”。

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,当显示六个点时,优选六号的神经元具有最高的激活水平。它响应五点和七点点燃了少一点,四点和八点再点燃,依此类推。当刺激物远离其目标数量时,神经元的活动不断下降。

“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看到的反应类型,”Nieder说。“这可能是一个解释,我们的大脑,至少我们的视觉系统的布线,可以自发地表示场景中的物体数量。

神经网络甚至犯了与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(20和25),相比之下相同距离(1和6)的较小数字,就像人类一样。 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,作者“为出现对数字性的敏感性提供了一种机械解释。”她说这表明数字性不是从进化上得来的,而是自发地出现,并作为学习识别物体时产生的副产品。”

不是每个科学家都同样印象深刻。哥伦比亚大学神经科学和教育学副教授彼得戈登说,神经网络正在根据低级视觉信息进行评估,如线条,角度和阴影以及类似的东西。因此,如果您将这些应用于这些数量,那么正在发生的事情就是显示10个点的几张图片比8个点的几张图片更相似。这并不是真正的数字。

Nieder坚持认为这种类型的神经网络提供了更好的人脑模型。他说:“我们现在可以对人类大脑中的事情如何发生以及从人工神经网络到真实神经网络的转换做出假设。我认为这些新型神经网络对基础科学的发展带来了巨大启发。”