據(jù)外媒報(bào)道，利用神經(jīng)生物學(xué)方法，芬蘭計(jì)算機(jī)科學(xué)家正在人工智能研究的過(guò)程中取得新突破：深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)可以自主識(shí)別出圖片中的對(duì)象，準(zhǔn)確率達(dá)到了75%。

　　人腦非常奇妙。在幾十年研究之后，人類仍然無(wú)法復(fù)制出人腦的超快計(jì)算速度。目前，計(jì)算機(jī)科學(xué)家可以利用的最強(qiáng)大工具是神經(jīng)網(wǎng)絡(luò)。這樣的大型計(jì)算機(jī)網(wǎng)絡(luò)能通過(guò)訓(xùn)練去解決復(fù)雜問(wèn)題，而機(jī)制類似于人類的中樞神經(jīng)系統(tǒng)，即利用不同層次的神經(jīng)元解決問(wèn)題的不同部分，最終合并為適當(dāng)?shù)拇鸢浮?/p>

　　目前的問(wèn)題在于，這樣的神經(jīng)網(wǎng)絡(luò)需要大量數(shù)據(jù)輸入和訓(xùn)練，隨后才能學(xué)會(huì)如何解決問(wèn)題。例如，ImageNet是個(gè)很好的訓(xùn)練數(shù)據(jù)源，這一龐大的可視化信息數(shù)據(jù)庫(kù)中包含100萬(wàn)張經(jīng)過(guò)人工標(biāo)注的照片。

　　這被稱作“監(jiān)督學(xué)習(xí)”，而真正的人工智能意味著，神經(jīng)網(wǎng)絡(luò)需要學(xué)會(huì)如何自動(dòng)完成“無(wú)監(jiān)督學(xué)習(xí)”。這正是芬蘭創(chuàng)業(yè)公司Curious AI希望實(shí)現(xiàn)的目標(biāo)。

　　Curious AI首席技術(shù)官安迪·拉斯姆斯(AntTI Rasmus)在赫爾辛基的Slush 2016科技行業(yè)大會(huì)上表示：“人腦會(huì)進(jìn)行大量的無(wú)監(jiān)督學(xué)習(xí)。我們不需要反復(fù)告訴嬰兒，勺子是什么。他們可以自動(dòng)從環(huán)境中學(xué)習(xí)，并形成概念。”

　　“對(duì)人腦來(lái)說(shuō)，根據(jù)某一對(duì)象形成概念很簡(jiǎn)單。這已在心理學(xué)中得到了研究，即‘格式塔理論’。人腦會(huì)將具備類似形狀、顏色、運(yùn)動(dòng)狀態(tài)和模式的東西歸類在一起。我們采取的第一步是讓深度學(xué)習(xí)系統(tǒng)能像人腦一樣，對(duì)對(duì)象進(jìn)行歸類。”

　　在神經(jīng)科學(xué)中，名為“速率編碼”的理論認(rèn)為，大腦中神經(jīng)元的激發(fā)速率越高，神經(jīng)元就越活躍。神經(jīng)元持續(xù)被激發(fā)。而80年代時(shí)，科學(xué)家發(fā)現(xiàn)，神經(jīng)元會(huì)將自身組織在一起，代表不同的信息。

　　這一理論被稱作“臨時(shí)編碼”。理論認(rèn)為，神經(jīng)元的激發(fā)時(shí)機(jī)很重要，而準(zhǔn)確的激發(fā)時(shí)機(jī)定義了，在數(shù)萬(wàn)神經(jīng)元中哪些神經(jīng)元屬于同一群體。因此，一部分神經(jīng)元可以同時(shí)激發(fā)，幫助大腦識(shí)別一系列對(duì)象中的某個(gè)對(duì)象，例如一堆辦公用品中的一塊紅布，而另一部分神經(jīng)元會(huì)告知大腦，其他對(duì)象都屬于背景信息。

　　拉斯姆斯表示：“我們的計(jì)算機(jī)算法集成了臨時(shí)編碼機(jī)制。我們?cè)谏窠?jīng)網(wǎng)絡(luò)的每層中保存多個(gè)拷貝。整個(gè)神經(jīng)網(wǎng)絡(luò)被復(fù)制了4次。這意味著系統(tǒng)可以學(xué)習(xí)得知，每個(gè)拷貝代表了某個(gè)特定對(duì)象，而將這些對(duì)象合并在一起，就可以與原始圖像進(jìn)行匹配。”拉斯姆斯此前曾是英偉達(dá)的軟件工程師，目前正在芬蘭阿爾托大學(xué)從事深度學(xué)習(xí)的博士研究工作。

　　“通過(guò)將圖像分為不同的4組，神經(jīng)網(wǎng)絡(luò)可以自行編碼圖像。這就是無(wú)監(jiān)督學(xué)習(xí)，我們不用對(duì)系統(tǒng)進(jìn)行任何標(biāo)記。當(dāng)我們向神經(jīng)網(wǎng)絡(luò)展示圖片時(shí)，它會(huì)將圖片自主分解成為元素(例如圖片中的對(duì)象)。”

　　在神經(jīng)網(wǎng)絡(luò)將圖片分解為單獨(dú)元素之后，歸類和識(shí)別對(duì)象就變得更容易，因?yàn)檫@些對(duì)象不會(huì)相互重疊，導(dǎo)致圖像模糊不清。

　　研究人員最初指導(dǎo)神經(jīng)網(wǎng)絡(luò)在無(wú)監(jiān)督的情況下分析圖片，組織對(duì)象，隨后向圖像加入標(biāo)記信息(監(jiān)督學(xué)習(xí))，從而觀察系統(tǒng)究竟學(xué)會(huì)了什么。他們發(fā)現(xiàn)，Curious AI的Tagger系統(tǒng)能實(shí)現(xiàn)75.1%的準(zhǔn)確率。

　　作為對(duì)比，傳統(tǒng)神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率只有21%，比隨機(jī)猜測(cè)的準(zhǔn)確率僅僅高出1%。

　　拉斯姆斯表示：“這是革命性的研究，這使得無(wú)監(jiān)督學(xué)習(xí)獲得了進(jìn)一步發(fā)展。通過(guò)讓機(jī)器獲得對(duì)象的概念，我們實(shí)現(xiàn)了更類似人腦的無(wú)監(jiān)督學(xué)習(xí)。這可以幫助未來(lái)的研究，讓神經(jīng)網(wǎng)絡(luò)進(jìn)行更高層次的推理，學(xué)習(xí)對(duì)象與環(huán)境的相關(guān)性。”

　　“在當(dāng)前系統(tǒng)中，計(jì)算機(jī)運(yùn)行在基于統(tǒng)計(jì)的世界觀中。如果讓計(jì)算機(jī)進(jìn)入人類生活的世界，那么非常重要的一點(diǎn)是讓機(jī)器以類似人類的方式去理解世界。人們通常很難理解計(jì)算機(jī)視覺(jué)的效果很差，因?yàn)槿搜垡曈X(jué)對(duì)我們來(lái)說(shuō)很自然。”

　　該公司的相應(yīng)論文《Tagger：深度無(wú)監(jiān)督知覺(jué)分組》將于12月7日在巴塞羅那的“神經(jīng)信息處理系統(tǒng)2016”深度學(xué)習(xí)大會(huì)上發(fā)表。

　　Curious AI正在尋找工業(yè)界的合作伙伴，在現(xiàn)實(shí)世界的人工智能系統(tǒng)中試點(diǎn)其深度學(xué)習(xí)技術(shù)。目前，該公司正與希望發(fā)展無(wú)人駕駛技術(shù)的汽車廠商進(jìn)行接觸。