QQ在線
企業微信
資訊
412參考消息網9月21日報道據卡塔爾半島電視臺網站8月24日報道，科學家們一直致力于開發人工智能，試圖彌合人工智能與人類大腦之間的差距。他們在最近的實驗中發現，有一些人工智能程序已經開始能以接近人腦的方式運轉。
報道稱，該研究表明，人工神經網絡與人腦的運作非常接近。
10年前，科學家們已經培訓了許多最先進的人工智能系統，讓它們學會使用巨大的數據存儲，以“訓練”人工神經網絡學會正確區分事物。
這種“監督型”的訓練需要通過人工來對數據進行分類，這件事情是非常費力的。而神經網絡往往會使用捷徑來學會如何利用最少的信息將事物相互聯系起來。
例如，人工神經網絡（一組相連的計算機）可能通過草的存在來識別牛的圖像，因為牛通常都是在田野中被拍到的。
據《量子雜志》網站中提到的，加州大學伯克利分校的計算機科學家阿列克謝·埃弗羅斯曾表示：“計算機和人工智能程序并沒有真正學習課程，但在考試中也能考得很好。”
此外，在那些對生物和人工智能的交叉感興趣的研究人員看來，這種“監督型學習”可能僅限于能夠揭示生物大腦運作的本質。因為動物和人類并不會使用標記數據組作為唯一的學習來源，而是依靠自己對環境的探索所獲得的經驗，這種方式能使其獲得關于世界的豐富而充分的了解。
如今，計算神經科學（即根據神經系統結構的信息處理特性研究大腦的功能）的一些專家開始探索通過由人類來分類的少量數據進行訓練的自動神經網絡。
報道指出，機器“自我學習”算法已被證實在學習人類語言方面很成功，并且最近成功做到了識別和區分圖像。
在最新的一項研究中，使用人工智能程序的自我監督學習模型構建的模擬哺乳動物視覺和聽覺系統的計算模型，顯然比監督學習模型構建的計算模型更接近大腦的功能。
對于一些神經科學家而言，人工神經網絡似乎開始在慢慢揭示出人類和動物大腦的一些實際的學習方法。
通過向猴子與人工神經網絡展示相同的圖像來進行研究，神經科學家使用人工神經網絡開發了視覺系統的簡單計算機模型。
比如，對比真實神經元和人造神經元的活動，可以發現這兩者表現出了非常相似且有趣的對應關系。科學家還發現了用以檢測聲音和氣味的機器之間的一個通信模型。
通過對人工智能程序及其連接的人工神經網絡進行反復的試驗，科學家們開始觀察到了一種接近人類大腦學習方法的獨特學習模型。
AI Cebic研究所的計算神經科學家布萊克·理查茲表示：“我認為，大腦所做的學習活動毫無疑問90%都是自我監督學習。”
大腦也會從自己的錯誤中進行學習。在我們大腦的反應中只有一小部分源自于外部，而這一部分會告訴我們答案是錯誤的。
理查茲及其團隊為幫助回答各種問題的機器創建了一個自我監督模型。他們訓練了一個人工智能，該人工智能結合了兩種不同神經網絡：一個名為卷積神經網絡，負責處理圖像；另一個被稱為循環神經網絡，專門關注移動物體。
理查茲的團隊發現，使用卷積神經網絡訓練的人工智能擅長識別物體，但不擅長對運動進行分類。
但是，科學家們將通信網絡分成了兩部分，然后就創建出了兩條路徑（不改變神經元的總數）。即人工智能開發了分別用于識別靜態物體以及移動物體的兩個部分，這樣最終就能夠對呈現給它的場景進行分類。科學家認為，這也是我們人類大腦所使用的方法。
為了進一步對人工智能進行測試，研究團隊分別向人工神經網絡和一組老鼠展示了一些視頻。值得一提的是，老鼠的大腦中也存在專門處理靜態圖像和運動特征場景的區域。
最后，科學家們證實，在人類或動物的大腦中充滿了所謂的反饋連接，與此同時目前的人工智能模型幾乎沒有這類連接的存在。
