科学家正在开发一种更接近人类大脑的新型人工智能

科学家们一直致力于开发人工智能，试图弥合人工智能与人类大脑之间的差距。他们在最近的实验中发现，有一些人工智能程序已经开始可以以接近人脑的方式运转。

该研究表明，人工网络与人脑的运作非常接近。

十年前，科学家们已经培训了许多最先进的人工智能系统，让它们学会使用巨大的数据存储，以“训练”人工神经网络学会正确区分事物。

这种“监督型”的训练需要通过人工来对数据进行分类，这件事情是非常费力的。而神经网络往往会使用捷径来学会如何利用最少的信息将事物相互联系起来，而有时是通过表面。

例如，人工神经网络（一组相连的计算机）可能会通过草的存在来识别牛的图像，因为牛通常是都是在田野中被拍到的。

据《量子杂志》（Quanta Magazine）网站中提到的，加州大学伯克利分校的计算机科学家阿列克谢·埃弗罗斯（Alexei Efros）曾表示：“计算机和人工智能程序并没有真正学习课程，但在考试中也能考得很好。”

此外，至于那些对生物和人工智能的交叉感兴趣的研究人员，对他们来说，这种“监督型学习”可能仅限于能够揭示生物大脑运作的本质。因为动物和人类并不会使用标记数据组作为唯一的学习来源，而是依靠他们基于自己对环境的探索所获得经验。这种方式会使得他们能够获得关于世界的丰富而充分的了解。

如今，计算神经科学（即根据神经系统结构的信息处理特性研究大脑的功能）的一些专家开始探索已经通过由人类来分类的少量数据进行训练的自动神经网络。

机器“自我学习”算法已被证实在学习人类语言方面很成功，并且最近成功识别和区分了图像。

在最近的一项研究中，已建立模拟哺乳动物视觉和听觉系统并使用人工智能程序的自我监督学习模型设计的计算模型显然比监督学习的计算模型更接近大脑的功能。

于一些神经科学家而言，人工网络似乎开始在慢慢揭示出人类和动物大脑的一些实际的学习方法。

通过向猴子与人工神经网络展示相同的图像进行研究，神经科学家使用人工神经网络开发了视觉系统的简单计算机模型。

比如，对比真实神经元和人造神经元的活动，可以发现这两个表现出非常相似且有趣的对应关系。并且，有一次科学家还发现了用以检测声音和气味的机器之间的一个通信模型。

通过对人工智能程序和连接的人工神经网络进行反复的成功和错误试验，科学家们开始观察到了一种接近人类大脑学习方法的独特学习模型。

AI Cebic研究所的计算神经科学家布莱克·理查兹(Blake Richards)表示，“我认为，大脑所做的的学习活动毫无疑问90%都是自我监督学习。”

大脑也会从自己的错误中进行学习。在我们大脑的反应中只有一小部分源自于外部，这一部分会告诉我们答案是错误的。

理查兹及其团队为帮助回答各种问题的机器创建了一个自我监督模型。他们训练了一个人工智能，该人工智能结合了两种不同神经网络：一个名为卷积神经网络（ResNet），负责处理图像；另一个称为循环神经网络（Recurrent neural network），专门关注移动物体。

理查兹的团队发现，使用卷积神经网络训练的人工智能擅长识别物体，但不擅长对运动进行分类。

但是，科学家们将通信网络分成了两部分，然后就创建出了两条路径（不改变神经元的总数）。即人工智能开发了一个用于识别静态物体以及一个用于识别移动物体的两个部分，这样最终就能够对呈现给它的场景进行分类。科学家认为，这也是我们人类大脑所使用的方法。

为了进一步对人工智能进行测试，研究团队分别向人工神经网络和一组老鼠展示了一些视频。值得一提的是，老鼠的大脑中也存在专门处理静态图像和其他具有运动特征场景的区域。

最后，科学家们证实，在人类或动物的大脑中充满了所谓的反馈连接（feedback connection），与此同时目前的人工智能模型几乎没有这些连接的存在。而如果有的话，人工智能程序有多先进关键就在于这个问题，即反馈连接，这也是人脑最重要的区别元素。

来源 : 德国之声