自学成才的人工智能显示出与大脑工作方式的相似之处

本文介绍了自学成才的人工智能显示出与大脑工作的相似之处。 十年来，许多最令人印象深刻的人工智能系统都是使用大量标记数据进行教学的。例如，可以将图像标记为「虎斑猫」或「虎猫」，以「训练」人工神经网络以正确区分虎斑和虎。该战略既取得了惊人的成功，又严重不足。

这种「监督」训练需要人工费力地标记数据，而神经网络通常会走捷径，学习将标签与最少、有时甚至是肤浅的信息联系起来。例如，神经网络可能会使用草的存在来识别牛的照片，因为牛通常是在田野中拍摄的。

「我们正在培养一代算法，就像整个学期都没来上课的本科生，然后在期末考试的前一天晚上，他们就死记硬背了。」加州大学伯克利分校的计算机科学家 Alexei Efros 说 , 「他们并没有真正学习材料，但他们在考试中表现出色。」

此外，对于对动物智能和机器智能的交叉感兴趣的研究人员来说，这种「监督学习」可能仅限于它对生物大脑的揭示。动物——包括人类——不使用标记数据集来学习。在大多数情况下，他们自己探索环境，通过这样做，他们对世界有了丰富而深入的了解。

现在，一些计算神经科学家已经开始探索，使用很少或没有人工标记数据进行训练的神经网络。事实证明，这些「自我监督学习」算法在人类语言建模以及最近的图像识别方面取得了巨大成功。

有缺陷的监督

受人工神经网络启发的大脑模型大约在 10 年前出现，大约在同一时间，一个名为 AlexNet 的神经网络彻底改变了对未知图像进行分类的任务。与所有神经网络一样，该网络由多层人工神经元组成，这些计算单元相互连接，强度或「权重」可能不同。如果神经网络未能正确分类图像，学习算法会更新神经元之间连接的权重，以降低在下一轮训练中错误分类的可能性。该算法对所有训练图像重复此过程多次，调整权重，直到网络的错误率低到可以接受的程度。

大约在同一时间，神经科学家开发了灵长类视觉系统的第一个计算模型，使用 AlexNet 等神经网络及其继任者。这种结合看起来很有希望：例如，当猴子和人工神经网络显示相同的图像时，真实神经元和人工神经元的活动显示出一种有趣的对应关系。随后是听觉和气味检测的人工模型。

但随着该领域的发展，研究人员意识到监督训练的局限性。例如，2017 年，当时在德国蒂宾根大学（University of Tübingen）工作的计算机科学家 Leon Gatys 和他的同事拍摄了一张福特 T 型车的照片，然后在照片上覆盖了豹皮图案，生成了一张奇怪但易于识别的图像。领先的人工神经网络将原始图像正确分类为模型 T，但将修改后的图像视为豹。它专注于纹理，不了解汽车（或豹子，就此而言）的形状。