计算机擅长处理数字,可以在几秒钟内完成数百万次运算。然而,人类具有天生和直观的数感。
人类看到4只猫,4个苹果和符号4时,能够立刻领会它们的共同点——“4”的抽象概念——而机器需要通过“数数”或计算过程才能明白在4只猫和4个苹果在数量上具有根本相同性。
这就是人类思维与机器之间的差异,也是迄今还难以开发出具有人类思维的AI的原因所在。但是现在,根据刊发在Science Advances杂志上的新研究,AI已经自发地形成了类似人类的数字感。
对于可执行的程序,我们必须清楚地定义出所有内容。一旦为变量分配出内存,我们就可以先将它的值设0,然后每次应用的时候再具体赋值。这意味着计算机可以计算时间(来自内部时钟),单词(如果被存储到存储器里)甚至是图像中的对象。
最后一项任务有点挑战性,因为想要计算对象,就要先行识别出对象。但是即便同一物体也会随照明、位置和姿势的变化而显得不同,何况同类物体之间必然会存在差异。
监督学习
这里使用的是基于统计结果的监督学习算法。
监督学习是从标记的训练数据来推断一个功能的机器学习任务。训练数据包括一套训练示例。在监督学习中,每个实例都是由一个输入对象(通常为矢量)和一个期望的输出值(也称为监督信号)组成。监督学习算法是分析该训练数据,并产生一个推断的功能,其可以用于映射出新的实例。一个最佳的方案将允许该算法来正确地决定那些看不见的实例的类标签。这就要求学习算法是在一种“合理”的方式从一种从训练数据到看不见的情况下形成。——百科
以苹果为例,当把包含各种形状的图像呈现给系统时,AI首先开始注意到构成水平和垂直线条以及左右曲线的像素组。它们存在于苹果,面孔,猫和汽车中,属于最先被发现的共性或抽象出的特征。
最终,它意识到某些曲线和线条出现在了所有属于苹果的图像中——一种新的,更深层次的抽象,在这种情况下,它认识了一类对象:苹果。
深度学习
更高级抽象能力的自然出现是机器学习技术中最激动人心的结果之一,它也被称为深度神经网络,在某种意义上,它与人类大脑的工作方式类似。“深度”是指网络具备许多层——随着信息渗入到网络中,更深刻的共性特征也就具有更高的抽象层次。
当AI识别出苹果时,我们可以继续要求AI计算出苹果的个数。那很好,但是你或我不需要计算苹果的数量。我们有非常深刻的“数字”概念——能够直观地认知到有多少对象。当客体存在时,我们大脑的某些部分会根据存在数量而激活。这意味着我们可以瞥一眼,大概就知道一小堆苹果的数目。
事实上,许多动物也可以做到这一点。这是因为数感是不同情境下对生存和繁殖有价值的特征——例如己方有3人,看到敌对部落也有3人,那就可以一战;如果看到对方过来10个人,那就赶紧跑。
涌现性质
在新研究中,为完成简单视觉对象检测而训练的深度神经网络自发地产生了这种数感。研究人员发现,网络中的特定单位突然“调整”为抽象数字——就像大脑中的真实神经元可能会做出的反应一样。它识别4个苹果的图片和4只猫的图片都调用了同一单元——因为它们共有属性“4”。
令人兴奋的是,它表明我们人类的学习机制是非常基础的。人们和动物展现出的一些最高层次的思考能力与世界结构以及我们的视觉体验密切相关。
它还暗示我们可能正走在正确的道路上——通往真正的人工智能。
我们曾经认为对于人类而言,非常本质的事物——如乐感,甚至是对因果认知——或许也可以通过类似的简单机制涌现出来。
随着不断发现和积累,并找到解析生物大脑的新方法,我们能更深刻地理解智能和适应性行为的奥秘。
还有很长的路要走,但很明显,从经验中认知世界并发展出知识结构的能力是人类如此成功的关键部分。毫无疑问,这将是未来AI系统的必要组成部分,它们将像人类一样灵活地处理真正错综复杂的问题。
本文译自 sciencealert,由译者 majer 基于创作共用协议(BY-NC)发布。
(免责声明:本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿,凡在本网站出现的信息,均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性,但不保证有关资料的准确性及可靠性,读者在使用前请进一步核实,并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏,概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时,应及时向本网站提出书面权利通知或不实情况说明,并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后,将会依法尽快联系相关文章源头核实,沟通删除相关内容或断开相关链接。 )