計算機擅長處理數(shù)字，可以在幾秒鐘內(nèi)完成數(shù)百萬次運算。然而，人類具有天生和直觀的數(shù)感。
人類看到4只貓，4個蘋果和符號4時，能夠立刻領(lǐng)會它們的共同點——“4”的抽象概念——而機器需要通過“數(shù)數(shù)”或計算過程才能明白在4只貓和4個蘋果在數(shù)量上具有根本相同性。
這就是人類思維與機器之間的差異，也是迄今還難以開發(fā)出具有人類思維的AI的原因所在。但是現(xiàn)在，根據(jù)刊發(fā)在Science Advances雜志上的新研究，AI已經(jīng)自發(fā)地形成了類似人類的數(shù)字感。
對于可執(zhí)行的程序，我們必須清楚地定義出所有內(nèi)容。一旦為變量分配出內(nèi)存，我們就可以先將它的值設(shè)0，然后每次應(yīng)用的時候再具體賦值。這意味著計算機可以計算時間(來自內(nèi)部時鐘)，單詞(如果被存儲到存儲器里)甚至是圖像中的對象。
最后一項任務(wù)有點挑戰(zhàn)性，因為想要計算對象，就要先行識別出對象。但是即便同一物體也會隨照明、位置和姿勢的變化而顯得不同，何況同類物體之間必然會存在差異。
監(jiān)督學習
這里使用的是基于統(tǒng)計結(jié)果的監(jiān)督學習算法。
監(jiān)督學習是從標記的訓練數(shù)據(jù)來推斷一個功能的機器學習任務(wù)。訓練數(shù)據(jù)包括一套訓練示例。在監(jiān)督學習中，每個實例都是由一個輸入對象(通常為矢量)和一個期望的輸出值(也稱為監(jiān)督信號)組成。監(jiān)督學習算法是分析該訓練數(shù)據(jù)，并產(chǎn)生一個推斷的功能，其可以用于映射出新的實例。一個最佳的方案將允許該算法來正確地決定那些看不見的實例的類標簽。這就要求學習算法是在一種“合理”的方式從一種從訓練數(shù)據(jù)到看不見的情況下形成?！倏?/h4>
以蘋果為例，當把包含各種形狀的圖像呈現(xiàn)給系統(tǒng)時，AI首先開始注意到構(gòu)成水平和垂直線條以及左右曲線的像素組。它們存在于蘋果，面孔，貓和汽車中，屬于最先被發(fā)現(xiàn)的共性或抽象出的特征。
最終，它意識到某些曲線和線條出現(xiàn)在了所有屬于蘋果的圖像中——一種新的，更深層次的抽象，在這種情況下，它認識了一類對象：蘋果。
深度學習
更高級抽象能力的自然出現(xiàn)是機器學習技術(shù)中最激動人心的結(jié)果之一，它也被稱為深度神經(jīng)網(wǎng)絡(luò)，在某種意義上，它與人類大腦的工作方式類似?！吧疃取笔侵妇W(wǎng)絡(luò)具備許多層——隨著信息滲入到網(wǎng)絡(luò)中，更深刻的共性特征也就具有更高的抽象層次。
當AI識別出蘋果時，我們可以繼續(xù)要求AI計算出蘋果的個數(shù)。那很好，但是你或我不需要計算蘋果的數(shù)量。我們有非常深刻的“數(shù)字”概念——能夠直觀地認知到有多少對象。當客體存在時，我們大腦的某些部分會根據(jù)存在數(shù)量而激活。這意味著我們可以瞥一眼，大概就知道一小堆蘋果的數(shù)目。
事實上，許多動物也可以做到這一點。這是因為數(shù)感是不同情境下對生存和繁殖有價值的特征——例如己方有3人，看到敵對部落也有3人，那就可以一戰(zhàn)；如果看到對方過來10個人，那就趕緊跑。
涌現(xiàn)性質(zhì)
在新研究中，為完成簡單視覺對象檢測而訓練的深度神經(jīng)網(wǎng)絡(luò)自發(fā)地產(chǎn)生了這種數(shù)感。研究人員發(fā)現(xiàn)，網(wǎng)絡(luò)中的特定單位突然“調(diào)整”為抽象數(shù)字——就像大腦中的真實神經(jīng)元可能會做出的反應(yīng)一樣。它識別4個蘋果的圖片和4只貓的圖片都調(diào)用了同一單元——因為它們共有屬性“4”。
令人興奮的是，它表明我們?nèi)祟惖膶W習機制是非常基礎(chǔ)的。人們和動物展現(xiàn)出的一些最高層次的思考能力與世界結(jié)構(gòu)以及我們的視覺體驗密切相關(guān)。
它還暗示我們可能正走在正確的道路上——通往真正的人工智能。
我們曾經(jīng)認為對于人類而言，非常本質(zhì)的事物——如樂感，甚至是對因果認知——或許也可以通過類似的簡單機制涌現(xiàn)出來。
隨著不斷發(fā)現(xiàn)和積累，并找到解析生物大腦的新方法，我們能更深刻地理解智能和適應(yīng)性行為的奧秘。
還有很長的路要走，但很明顯，從經(jīng)驗中認知世界并發(fā)展出知識結(jié)構(gòu)的能力是人類如此成功的關(guān)鍵部分。毫無疑問，這將是未來AI系統(tǒng)的必要組成部分，它們將像人類一樣靈活地處理真正錯綜復(fù)雜的問題。
本文譯自 sciencealert，由譯者 majer 基于創(chuàng)作共用協(xié)議(BY-NC)發(fā)布。
（免責聲明：本網(wǎng)站內(nèi)容主要來自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿，凡在本網(wǎng)站出現(xiàn)的信息，均僅供參考。本網(wǎng)站將盡力確保所提供信息的準確性及可靠性，但不保證有關(guān)資料的準確性及可靠性，讀者在使用前請進一步核實，并對任何自主決定的行為負責。本網(wǎng)站對有關(guān)資料所引致的錯誤、不確或遺漏，概不負任何法律責任。
任何單位或個人認為本網(wǎng)站中的網(wǎng)頁或鏈接內(nèi)容可能涉嫌侵犯其知識產(chǎn)權(quán)或存在不實內(nèi)容時，應(yīng)及時向本網(wǎng)站提出書面權(quán)利通知或不實情況說明，并提供身份證明、權(quán)屬證明及詳細侵權(quán)或不實情況證明。本網(wǎng)站在收到上述法律文件后，將會依法盡快聯(lián)系相關(guān)文章源頭核實，溝通刪除相關(guān)內(nèi)容或斷開相關(guān)鏈接。 ）
