調整AI軟件以使其發揮類似于人腦的功能從而提高計算機的學習能力

兩位神經科學家說，基于計算機的人工智能在被編程為使用更快的技術來學習新物體時，其功能更像是人類的人工智能，他們設計了這種模型以反映人類的視覺學習。

在《計算神經科學前沿》雜志中，喬治敦大學醫學中心神經科學教授馬克西米利安·里森胡伯(Maximilian Riesenhuber)博士和加州大學伯克利分校的博士后學者約書亞·魯爾(Joshua Rule)博士解釋了這種新方法如何極大地改善了這種方法。 AI軟件快速學習新視覺概念的能力。

Riesenhuber說：“我們的模型為人工神經網絡提供了一種生物學上可行的方法，可以從少量示例中學習新的視覺概念。” “我們可以利用以前的學習方法，以我們認為能夠反映大腦活動的方式，使計算機從很少的例子中學習得更好。”

人類可以從稀疏數據中快速而準確地學習新的視覺概念，有時僅僅是一個例子。甚至三至四個月大的嬰兒也可以輕松學會識別斑馬，并將其與貓，馬和長頸鹿區分開。Riesenhuber解釋說，但是計算機通常需要“查看”同一對象的許多示例才能知道它是什么。Riesenhuber說，最大的變化是設計軟件來識別整個視覺類別之間的關系，而不是嘗試僅使用低級和中間信息(例如形狀和顏色)來識別物體的更標準方法。

他說：“大腦層次結構的計算能力在于，它可以利用以前從數據庫中學到的表示形式來簡化學習，這種表示形式充滿了關于對象的概念。”

Riesenhuber和Rule發現，以以前學習的概念表示對象的人工神經網絡可以更快地學習新的視覺概念。

Rule解釋說：“我們的方法不是從低級視覺特征上學習高級概念，而是從其他高級概念上進行解釋。這就像說鴨嘴獸看起來有點像鴨子，海貍，和海獺。”

人類視覺概念學習的基礎大腦結構建立在涉及對象識別的神經網絡上。人們認為大腦前顳葉包含超出形狀的“抽象”概念表示。這些用于視覺識別的復雜神經層次結構使人們可以學習新任務，并且至關重要的是，可以利用先前的學習方法。

Riesenhuber說：“通過重用這些概念，您可以更輕松地學習新概念，新含義，例如，斑馬就是不同條紋的馬。”

科學家們說，盡管人工智能技術取得了進步，但人類視覺系統仍然是從幾個例子進行概括，強大地處理圖像變化和理解場景的能力的黃金標準。

Riesenhuber總結說：“我們的發現不僅提出了可以幫助計算機更快更有效地學習的技術，還可以促進旨在了解人們如何如此迅速地學習的神經科學實驗，而這還沒有被很好地理解。”