據外媒報道，芬蘭計算機科學(xué)家正在人工智能研究的過(guò)程中取得新突破：深度學(xué)習神經(jīng)網(wǎng)絡(luò )可以自主識別出圖片中的對象，準確率達到了75%。

人腦非常奇妙。在幾十年研究之后，人類(lèi)仍然無(wú)法復制出人腦的超快計算速度。目前，計算機科學(xué)家可以利用的最強大工具是神經(jīng)網(wǎng)絡(luò )。這樣的大型計算機網(wǎng)絡(luò )能通過(guò)訓練去解決復雜問(wèn)題，而機制類(lèi)似于人類(lèi)的中樞神經(jīng)系統，即利用不同層次的神經(jīng)元解決問(wèn)題的不同部分，最終合并為適當的答案。

目前的問(wèn)題在于，這樣的神經(jīng)網(wǎng)絡(luò )需要大量數據輸入和訓練，隨后才能學(xué)會(huì )如何解決問(wèn)題。例如，ImageNet是個(gè)很好的訓練數據源，這一龐大的可視化信息數據庫中包含100萬(wàn)張經(jīng)過(guò)人工標注的照片。

這被稱(chēng)作“監督學(xué)習”，而真正的人工智能意味著(zhù)，神經(jīng)網(wǎng)絡(luò )需要學(xué)會(huì )如何自動(dòng)完成“無(wú)監督學(xué)習”。這正是芬蘭創(chuàng )業(yè)公司Curious AI希望實(shí)現的目標。

Curious AI首席技術(shù)官安迪·拉斯姆斯（Antti Rasmus）在赫爾辛基的Slush 2016科技行業(yè)大會(huì )上表示：“人腦會(huì )進(jìn)行大量的無(wú)監督學(xué)習。我們不需要反復告訴嬰兒，勺子是什么。他們可以自動(dòng)從環(huán)境中學(xué)習，并形成概念?！?/p>

“對人腦來(lái)說(shuō)，根據某一對象形成概念很簡(jiǎn)單。這已在心理學(xué)中得到了研究，即‘格式塔理論’。人腦會(huì )將具備類(lèi)似形狀、顏色、運動(dòng)狀態(tài)和模式的東西歸類(lèi)在一起。我們采取的第一步是讓深度學(xué)習系統能像人腦一樣，對對象進(jìn)行歸類(lèi)?！?/p>

將神經(jīng)科學(xué)應用于人工神經(jīng)網(wǎng)絡(luò )

在神經(jīng)科學(xué)中，名為“速率編碼”的理論認為，大腦中神經(jīng)元的激發(fā)速率越高，神經(jīng)元就越活躍。神經(jīng)元持續被激發(fā)。而80年代時(shí)，科學(xué)家發(fā)現，神經(jīng)元會(huì )將自身組織在一起，代表不同的信息。

這一理論被稱(chēng)作“臨時(shí)編碼”。理論認為，神經(jīng)元的激發(fā)時(shí)機很重要，而準確的激發(fā)時(shí)機定義了，在數萬(wàn)神經(jīng)元中哪些神經(jīng)元屬于同一群體。因此，一部分神經(jīng)元可以同時(shí)激發(fā)，幫助大腦識別一系列對象中的某個(gè)對象，例如一堆辦公用品中的一塊紅布，而另一部分神經(jīng)元會(huì )告知大腦，其他對象都屬于背景信息。

拉斯姆斯表示：“我們的計算機算法集成了臨時(shí)編碼機制。我們在神經(jīng)網(wǎng)絡(luò )的每層中保存多個(gè)拷貝。整個(gè)神經(jīng)網(wǎng)絡(luò )被復制了4次。這意味著(zhù)系統可以學(xué)習得知，每個(gè)拷貝代表了某個(gè)特定對象，而將這些對象合并在一起，就可以與原始圖像進(jìn)行匹配?！崩鼓匪勾饲霸怯ミ_的軟件工程師，目前正在芬蘭阿爾托大學(xué)從事深度學(xué)習的博士研究工作。

“通過(guò)將圖像分為不同的4組，神經(jīng)網(wǎng)絡(luò )可以自行編碼圖像。這就是無(wú)監督學(xué)習，我們不用對系統進(jìn)行任何標記。當我們向神經(jīng)網(wǎng)絡(luò )展示圖片時(shí)，它會(huì )將圖片自主分解成為元素（例如圖片中的對象）?！?/p>

在神經(jīng)網(wǎng)絡(luò )將圖片分解為單獨元素之后，歸類(lèi)和識別對象就變得更容易，因為這些對象不會(huì )相互重疊，導致圖像模糊不清。

知覺(jué)分組可以給深度學(xué)習帶來(lái)變革

研究人員最初指導神經(jīng)網(wǎng)絡(luò )在無(wú)監督的情況下分析圖片，組織對象，隨后向圖像加入標記信息（監督學(xué)習），從而觀(guān)察系統究竟學(xué)會(huì )了什么。他們發(fā)現，Curious AI的Tagger系統能實(shí)現75.1%的準確率。

作為對比，傳統神經(jīng)網(wǎng)絡(luò )的準確率只有21%，比隨機猜測的準確率僅僅高出1%。

拉斯姆斯表示：“這是革命性的研究，這使得無(wú)監督學(xué)習獲得了進(jìn)一步發(fā)展。通過(guò)讓機器獲得對象的概念，我們實(shí)現了更類(lèi)似人腦的無(wú)監督學(xué)習。這可以幫助未來(lái)的研究，讓神經(jīng)網(wǎng)絡(luò )進(jìn)行更高層次的推理，學(xué)習對象與環(huán)境的相關(guān)性?！?/p>

“在當前系統中，計算機運行在基于統計的世界觀(guān)中。如果讓計算機進(jìn)入人類(lèi)生活的世界，那么非常重要的一點(diǎn)是讓機器以類(lèi)似人類(lèi)的方式去理解世界。人們通常很難理解計算機視覺(jué)的效果很差，因為人眼視覺(jué)對我們來(lái)說(shuō)很自然?！?/p>

該公司的相應論文《Tagger：深度無(wú)監督知覺(jué)分組》將于12月7日在巴塞羅那的“神經(jīng)信息處理系統2016”深度學(xué)習大會(huì )上發(fā)表。

Curious AI正在尋找工業(yè)界的合作伙伴，在現實(shí)世界的人工智能系統中試點(diǎn)其深度學(xué)習技術(shù)。目前，該公司正與希望發(fā)展無(wú)人駕駛技術(shù)的汽車(chē)廠(chǎng)商進(jìn)行接觸。

人工智能概念股：埃斯頓、科大智能、漢王科技、江南化工、華東數控、和而泰、中科曙光、永創(chuàng )智能、北京君正、通富微電、永創(chuàng )智能、勁拓股份。