據外媒報道，操作神經生物學要領，芬蘭計較機科學家正在人工智能研究的進程中取得新打破：深度進修神經網絡可以自主識別出圖片中的工具，精確率到達了75%。
人腦很是奇妙。在幾十年研究之后，人類仍然無法復制出人腦的超快計較速度。今朝，計較機科學家可以操作的最強大東西是神經網絡。這樣的大型計較機網絡能通過練習去辦理巨大問題，而機制雷同于人類的中樞神經系統，即操作差異條理的神經元辦理問題的差異部門，香港云服務器 美國云主機，最終歸并為適當的謎底。
今朝的問題在于，這樣的神經網絡需要大量數據輸入和練習，隨后才氣學會如何辦理問題。譬喻，ImageNet是個很好的練習數據源，這一復雜的可視化信息數據庫中包括100萬張顛末人工標注的照片。
這被稱作“監視進修”，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“無監視進修”。這正是芬蘭創業公司Curious AI但愿實現的方針。
Curious AI首席技能官安迪·拉斯姆斯（Antti Rasmus）在赫爾辛基的Slush 2016科技行業大會上暗示：“人腦會舉辦大量的無監視進修。我們不需要重復匯報嬰兒，勺子是什么。他們可以自動從情況中進修，并形成觀念。”
“對人腦來說，按照某一工具形成觀念很簡樸。這已在心理學中獲得了研究，即‘名目塔理論’。人腦會將具備雷同形狀、顏色、舉動狀態和模式的對象歸類在一起。我們采納的第一步是讓深度進修系統能像人腦一樣，對工具舉辦歸類。”
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，大腦中神經元的引發速率越高，神經元就越活潑。神經元一連被引發。而80年月時，科學家發明，神經元會將自身組織在一起，代表差異的信息。
這一理論被稱作“姑且編碼”。理論認為，神經元的引發機緣很重要，而精確的引發機緣界說了，在數萬神經元中哪些神經元屬于同一群體。因此，一部門神經元可以同時引發，輔佐大腦識別一系列工具中的某個工具，譬喻一堆辦公用品中的一塊紅布，而另一部門神經元會奉告大腦，其他工具都屬于配景信息。
拉斯姆斯暗示：“我們的計較機算法集成了姑且編碼機制。我們在神經網絡的每層中生存多個拷貝。整個神經網絡被復制了4次。這意味著系統可以進修得知，每個拷貝代表了某個特定工具，而將這些工具歸并在一起，就可以與原始圖像舉辦匹配。”拉斯姆斯此前曾是英偉達的軟件工程師，今朝正在芬蘭阿爾托大學從事深度進修的博士研究事情。
“通過將圖像分為差異的4組，神經網絡可以自行編碼圖像。這就是無監視進修，我們不消對系統舉辦任何標志。當我們向神經網絡展示圖片時，它會將圖片自主解析成為元素（譬喻圖片中的工具）。”
在神經網絡將圖片解析為單獨元素之后，歸類和識別工具就變得更容易，因為這些工具不會彼此重疊，導致圖像恍惚不清。
知覺分組可以給深度進修帶來厘革
研究人員最初指導神經網絡在無監視的環境下闡明圖片，組織工具，隨后向圖像插手標志信息（監視進修），從而調查系統畢竟學會了什么。他們發明，Curious AI的Tagger系統能實現75.1%的精確率。
作為比擬，傳統神經網絡的精確率只有21%，比隨機揣摩的精確率僅僅跨越1%。
拉斯姆斯暗示：“這是革命性的研究，這使得無監視進修得到了進一步成長。通過讓呆板得到工具的觀念，我們實現了更雷同人腦的無監視進修。這可以輔佐將來的研究，讓神經網絡舉辦更高條理的推理，進修工具與情況的相關性。”
“在當前系統中，計較機運行在基于統計的世界觀中。假如讓計較機進入人類糊口的世界，那么很是重要的一點是讓呆板以雷同人類的方法去領略世界。人們凡是很難領略計較機視覺的結果很差，因為人眼視覺對我們來說很自然。”
該公司的相應論文《Tagger：深度無監視知覺分組》將于12月7日在巴塞羅那的“神經信息處理懲罰系統2016”深度進修大會上頒發。
Curious AI正在尋找家產界的相助同伴，在現實世界的人工智能系統中試點其深度進修技能。今朝，該公司正與但愿成長無人駕駛技能的汽車廠商舉辦打仗。
