Max Home IndustryКомпьютерный искусственный интеллект может функционировать больше как человеческий, если запрограммирован на использование гораздо более быстрой техники для изучения новых объектов, говорят два нейробиолога, которые разработали такую модель, которая была разработана для отражения визуального обучения человека.
В журнале Frontiers in Computational Neuroscience Максимилиан Ризенхубер, доктор философии, профессор нейробиологии Медицинского центра Джорджтаунского университета, и Джошуа Рул, доктор философии, научный сотрудник Калифорнийского университета в Беркли, объясняют, как подход значительно улучшает способность программного обеспечения ИИ быстро изучать новые визуальные концепции.
«Наша модель предоставляет искусственным нейронным сетям биологически правдоподобный способ изучения новых визуальных концепций на небольшом количестве примеров», — говорит Ризенхубер. «Мы можем заставить компьютеры учиться намного лучше на нескольких примерах, используя предыдущее обучение таким образом, который, как мы думаем, отражает то, что делает мозг».
Люди могут быстро и точно изучать новые визуальные концепции на основе немногочисленных данных, а иногда — всего лишь одного примера. Даже трех-четырехмесячные младенцы могут легко научиться распознавать зебр и отличать их от кошек, лошадей и жирафов. Но, как объясняет Ризенхубер, компьютерам обычно нужно «видеть» множество примеров одного и того же объекта, чтобы понять, что это такое.
Необходимы большие изменения в разработке программного обеспечения для определения взаимосвязей между целыми визуальными категориями, вместо того, чтобы пытаться использовать более стандартный подход к идентификации объекта с использованием только низкоуровневой и промежуточной информации, такой как форма и цвет, говорит Ризенхубер.
«Вычислительная мощность иерархии мозга заключается в возможности упростить обучение за счет использования ранее изученных представлений из банка данных, так сказать, полных концепций об объектах», — говорит он.
Ризенхубер и Рул обнаружили, что искусственные нейронные сети, которые представляют объекты с точки зрения ранее изученных концепций, значительно быстрее усваивают новые визуальные концепции.
Правило объясняет: «Вместо того, чтобы изучать концепции высокого уровня с точки зрения визуальных функций низкого уровня, наш подход объясняет их с точки зрения других концепций высокого уровня. Это все равно что сказать, что утконос немного похож на утку, бобр и калан «.
Архитектура мозга, лежащая в основе изучения визуальных концепций человека, основана на нейронных сетях, участвующих в распознавании объектов. Считается, что передняя височная доля мозга содержит «абстрактные» концептуальные представления, выходящие за рамки формы. Эти сложные нейронные иерархии для визуального распознавания позволяют людям изучать новые задачи и, что особенно важно, использовать ранее полученные знания.
«Повторно используя эти концепции, вы сможете легче усвоить новые концепции, новое значение, например тот факт, что зебра — это просто лошадь другой полосы», — говорит Ризенхубер.
Несмотря на достижения в области искусственного интеллекта, зрительная система человека по-прежнему остается золотым стандартом с точки зрения способности делать обобщения на нескольких примерах, надежно работать с вариациями изображений и понимать сцены, говорят ученые.
«Наши результаты не только предлагают методы, которые могут помочь компьютерам учиться быстрее и эффективнее, они также могут привести к усовершенствованным экспериментам в области нейробиологии, направленным на понимание того, как люди учатся так быстро, что еще не до конца понятно», — заключает Ризенхубер.
Эта работа была частично поддержана Ливерморской национальной лабораторией Лоуренса и грантами для аспирантов Национального научного фонда (1026934 и 1232530).