據外媒報道，芬蘭計算機科學家正在人工智能研究的過程中取得新突破：深度學習神經網絡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，人類仍然無法復制出人腦的超快計算速度。目前，計算機科學家可以利用的最強大工具是神經網絡。這樣的大型計算機網絡能通過訓練去解決復雜問題，而機制類似于人類的中樞神經系統(tǒng)，即利用不同層次的神經元解決問題的不同部分，最終合并為適當的答案。

目前的問題在于，這樣的神經網絡需要大量數據輸入和訓練，隨后才能學會如何解決問題。例如，ImageNet是個很好的訓練數據源，這一龐大的可視化信息數據庫中包含100萬張經過人工標注的照片。

這被稱作“監(jiān)督學習”，而真正的人工智能意味著，神經網絡需要學會如何自動完成“無監(jiān)督學習”。這正是芬蘭創(chuàng)業(yè)公司Curious AI希望實現(xiàn)的目標。

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

“對人腦來說，根據某一對象形成概念很簡單。這已在心理學中得到了研究，即‘格式塔理論’。人腦會將具備類似形狀、顏色、運動狀態(tài)和模式的東西歸類在一起。我們采取的第一步是讓深度學習系統(tǒng)能像人腦一樣，對對象進行歸類?！?/p>

將神經科學應用于人工神經網絡

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

這一理論被稱作“臨時編碼”。理論認為，神經元的激發(fā)時機很重要，而準確的激發(fā)時機定義了，在數萬神經元中哪些神經元屬于同一群體。因此，一部分神經元可以同時激發(fā)，幫助大腦識別一系列對象中的某個對象，例如一堆辦公用品中的一塊紅布，而另一部分神經元會告知大腦，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編碼機制。我們在神經網絡的每層中保存多個拷貝。整個神經網絡被復制了4次。這意味著系統(tǒng)可以學習得知，每個拷貝代表了某個特定對象，而將這些對象合并在一起，就可以與原始圖像進行匹配?！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從事深度學習的博士研究工作。

“通過將圖像分為不同的4組，神經網絡可以自行編碼圖像。這就是無監(jiān)督學習，我們不用對系統(tǒng)進行任何標記。當我們向神經網絡展示圖片時，它會將圖片自主分解成為元素（例如圖片中的對象）?！?/p>

在神經網絡將圖片分解為單獨元素之后，歸類和識別對象就變得更容易，因為這些對象不會相互重疊，導致圖像模糊不清。

知覺分組可以給深度學習帶來變革

研究人員最初指導神經網絡在無監(jiān)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(jiān)督學習），從而觀察系統(tǒng)究竟學會了什么。他們發(fā)現(xiàn)，Curious AI的Tagger系統(tǒng)能實現(xiàn)75.1%的準確率。

作為對比，傳統(tǒng)神經網絡的準確率只有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，這使得無監(jiān)督學習獲得了進一步發(fā)展。通過讓機器獲得對象的概念，我們實現(xiàn)了更類似人腦的無監(jiān)督學習。這可以幫助未來的研究，讓神經網絡進行更高層次的推理，學習對象與環(huán)境的相關性?！?/p>

“在當前系統(tǒng)中，計算機運行在基于統(tǒng)計的世界觀中。如果讓計算機進入人類生活的世界，那么非常重要的一點是讓機器以類似人類的方式去理解世界。人們通常很難理解計算機視覺的效果很差，因為人眼視覺對我們來說很自然。”

該公司的相應論文《Tagger：深度無監(jiān)督知覺分組》將于12月7日在巴塞羅那的“神經信息處理系統(tǒng)2016”深度學習大會上發(fā)表。

Curious AI正在尋找工業(yè)界的合作伙伴，在現(xiàn)實世界的人工智能系統(tǒng)中試點其深度學習技術。目前，該公司正與希望發(fā)展無人駕駛技術的汽車廠商進行接觸。

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。