 发布时间：10-2714:00 新智元导读】一直以来，神经网络可以让我们了解我们的大脑，就像我们利用我们对大脑的了解来开发新的神经网络一样。近日，有研究团队发现了诡异的现象：在识别三维图形方面，大脑和AI竟存在惊人的相似！ 在人脑中，视觉信息穿过多个皮质，每个皮质都解释图像的不同方面，最终将我们对周围世界的感知拼凑在一起。
长久以来，人工智能与人脑之间都有着十分微妙的联系。 最近，在发表于《当前生物学》杂志上的一项新研究更令人毛骨悚然，在此过程的早期就对3D形状的各个方面（例如凹凸和球形）进行了解释。 而且，事实证明，同样的事情也发生在人工神经网络中。 「幽灵般的通信」：大脑与Alexnet对图像反应模式的相似 人工智能面临的长期挑战之一是copy人类视觉。基于为游戏开发的高容量GPU和互联网上海量图像和视频提供的大规模训练集，像AlexNet这样的深(多层)网络在物体识别方面取得了重大进展。 Connor和他的团队对自然神经元和人工神经元的图像反应进行了相同的测试，结果令人 「毛骨悚然」：V4和AlexNet第3层的图像反应模式非常相似。 惊悚x2！人脑与电脑或趋同进化 神经网络是一种明确模仿大脑的人工智能架构，它以相似的方式解释信息，这并不令人吃惊。 在看到算法AlexNet之后，科学家们惊呆了：AI与大脑读图像的方式竟是如此相同。 在物体视觉的开始阶段，大脑就能探测到三维形状，如凸起、空洞、轴状、球体。这是一种新发现的自然智能策略，约翰霍普金斯大学的研究人员也在训练识别视觉物体的人工智能网络中发现了这种策略。 这个研究主要集中在V4区域。
过去40年来，人们一直将研究的重点放在「V4区域的神经元如何呈现二维形状」，《当代生物学》上的新论文详细描述了该区域是如何呈现三维形状碎片的。 随后，约翰霍普金斯大学的研究人员在高级计算机视觉网络AlexNet的早期阶段(第3层)中发现了人工神经元几乎相同的反应。 在自然和人工视觉中，早期发现3-D形状可能有助于解释真实世界中的实体3-D物体。 约翰霍普金斯大学神经学家、研究作者埃德·康纳(Ed Connor)在一份新闻稿中提到了一种特殊的视觉皮层，他说：「早在V4时代，我就很惊讶地看到了3D形状强烈而清晰的信号，但我永远也想不到，你会在AlexNet上看到同样的事情发生，它只被训练成将2D照片转换为物体标签。」 AlexNet是什么？ AlexNet是2012年ImageNet竞赛冠军获得者Hinton和他的学生Alex Krizhevsky设计的。 也是在那年之后，更多的更深的神经网络被提出，比如优秀的vgg,GoogLeNet。这对于传统的机器学习分类算法而言，已经相当的出色。 实际上，AlexNet就是基于大脑中的多级视觉网络设计的。研究团队观察到的相似之处，很可能预示着自然智能和人工智能之间的相关性，这也是对未来利用AI的一种重要启示。 人脑与电脑的「近亲」早已起源 当然，人脑与电脑的相似早就被热议。
除了计算机硬件与人脑之间的明显类比和区别（例如，计算机的RAM与大脑的工作记忆之间，计算机的硬盘驱动器与大脑的长期记忆之间），通常，还认为两者彼此相似。 数字与模拟 绝大多数计算机都是数字计算机，这意味着它们使用只有两个可能的离散状态的二进制系统执行操作：「开」和「关」，或者，如果您愿意，还可以选择「0」和「 1」。 例如，以老式黑胶唱片上使用的模拟编码形式，音乐信息以凹槽轮廓的连续变化记录，并且在回放录音时不可避免地会听到轻微的错误。相反，数字编码可提供更高的保真度，因为它会自动消除所有这些错误，除非它们足够大，可以用1代替0。 那么，人脑是作为模拟系统还是数字系统运行？答案是「both」。 一方面，神经元传递或不传递动作电位。这是一个「全有或全无」的过程，从这个意义上说，大脑以数字方式运行。但是神经元传递动作电位的频率可以连续变化，因此也具有模拟系统的这种特性。 在另一种意义上，神经元也类似地工作。每个神经元在突触与其树突之间不断地从其他神经元接收大量神经冲动（动作电位）。 串行并行 大多数计算机都非常快速地处理信息，但是它们是以串行方式进行的：所有信息都由一个中央处理单元（CPU）处理，该中央处理单元一个接一个地执行操作。但是，CPU还可以通过将其各种任务细分为子任务并在它们之间快速交替来模拟并行处理。 大脑的神经元比计算机的集成电路慢得多。 但是大脑的力量来自于它是执行大规模并行处理的机器。大脑没有CPU。相反，它具有数百万个同时合并信号的神经元。在任何给定时间，大脑的许多大型专业区域并行运行以执行各种任务，例如处理视觉或听觉信息或计划动作。即使在这些区域中的每个区域中，信息也会通过没有重要序列结构的神经网络流动。 但是，就像计算机是可以模拟并行处理的串行系统一样，大脑也可以模拟串行操作（例如，处理口语和书面语言）的并行系统。 确定性与非确定性 从给定输入的意义上说，计算机是确定性机器，它们将始终产生相同的输出。 但这并不意味着该输出总是可预测的。例如，计算机可以通过引入伪随机变量来模拟非确定性系统。计算机还可以应用来自混沌物理学的方程，其中确定性过程的结果可能会受到初始条件中微小变化的极大影响。 整个大脑被认为是非确定性系统，原因很简单：一个时刻到下一个时刻永远不会完全相同。 它不断地形成新的突触，并根据其用法来增强或削弱现有的突触。因此，给定的输入将永远不会产生完全相同的输出两次。但是，脑活动的生理化学过程被认为是确定性的。
「人工网络是目前研究大脑最有希望的模型。相反，大脑是使人工智能接近自然智能的最佳策略来源。」Connor说。 神经网络可以让我们了解我们的大脑，就像我们利用我们对大脑的了解来开发新的神经网络一样。 对这个毛骨悚然的消息，外国网友们议论纷纷。 「我有点开始认为，我们并不真正理解智能意识是什么。也许所有形式的智能都只是自我意识的不同表达，没有一种智能真的比另一种更好或更强大。」 但有人却认为这没什么大惊小怪的：「我对此不太确定，但我认为卷积神经网络（AlexNet）在某种程度上是通过模仿人眼的工作方式来实现的（当然，除了参数数量的大量减少之外）。诸如本文和DeepDream之类的一些先前工作已经证明了神经网络与我们的大脑和认知有多么相似。因此，这对我来说并不是真的那么令人惊讶和恐怖。」 这个「毛骨悚然」消息，让你怕了吗？ |
|
|
