還記得從什么時候開始，你學會了看圖識數(shù)，什么時候開始明白1和2的含義么？

也許我們都記不清了，因為這種直觀的數(shù)字感是卻是人類和動物與生俱來的優(yōu)勢。 與計算機不同的是，當我看到2只小豬或者2個小鴨子和數(shù)字符號2在一起時候，我們可能不需要計算就會知道，它們都有一個共同點——“2”這個抽象概念。

即便現(xiàn)在的計算機已經(jīng)可以在一秒內(nèi)完成數(shù)百萬次的計算，機器學習已經(jīng)可以識別小貓小狗，讓人工智能網(wǎng)絡像小孩一樣學習辨別數(shù)字仍是一件新穎的研究。

上周在Science Advances發(fā)表的一篇文章表明， 讓神經(jīng)網(wǎng)絡重復嬰兒、猴子和烏鴉等生物的認知技能，在沒有經(jīng)過任何訓練的情況下， 它突然學會了分別更大和更小的數(shù)量差異，也就是我們剛剛說的數(shù)字感。 很多專家認為數(shù)字感是我們計算和運用復雜數(shù)學能力的重要前提。 但是關于這種能力如何在年幼的大腦中自發(fā)產(chǎn)生的，我們還不得而知。

看圖識數(shù)的神經(jīng)網(wǎng)絡

近年來，受生物學啟發(fā)的深度神經(jīng)網(wǎng)絡為視覺系統(tǒng)的運作提出很多有價值的啟發(fā)。生成神經(jīng)網(wǎng)絡，即一類深層網(wǎng)絡通過學習感官輸入來構建內(nèi)部模型，已被證明具有數(shù)字感，但無法解釋數(shù)字神經(jīng)元的出現(xiàn)。

為了研究它的發(fā)展，來自德國蒂賓根大學的生物學研究所Nieder教授試圖建立一個深度學習網(wǎng)絡，來模擬我們大腦中視覺系統(tǒng)的運作，看看在沒有訓練軟件的情況下是否會出現(xiàn)數(shù)量特征。

研究人員首先在120萬個圖像的標準數(shù)據(jù)集上訓練網(wǎng)絡，這些圖像分為1,000個不同的類別。最終，像之前的訓練系統(tǒng)一樣它可以辨別動物和昆蟲的圖片，不僅可以辨別狗和蜘蛛還可以辨別其特定的品種。

接下來，研究人員向神經(jīng)網(wǎng)絡展示了只包含黑色背景上的白點圖案，以表示數(shù)字1到30，在沒有任何關于數(shù)字的指導或被告知尋找數(shù)量上的差異，神經(jīng)網(wǎng)絡做到了將圖像根據(jù)點數(shù)分類。

“這項研究很酷的地方在于，當你訓練視覺系統(tǒng)的神經(jīng)網(wǎng)絡來完成物體識別等任務時，它其實還可以自學一些其他東西，如數(shù)字?！甭槭±砉W院大腦和認知科學系教授James DiCarlo說。

Nieder的團隊使用模擬人類大腦的深度學習系統(tǒng)，其中“神經(jīng)元”既接收來自系統(tǒng)中高等神經(jīng)元的輸入，又將該信息發(fā)送到線路上，某些神經(jīng)元基于其特征或模式被刺激而“反射”。

使用這個模型，Nieder將網(wǎng)絡神經(jīng)元的激活與猴子大腦中的神經(jīng)元進行了比較，這些神經(jīng)元顯示出相同的點圖案。

人工神經(jīng)元的行為與動物大腦的視覺處理區(qū)域中的神經(jīng)元完全相同，具有對特定數(shù)字的偏好和調(diào)整。例如，特地數(shù)字6神經(jīng)元會在出現(xiàn)6個點時候表現(xiàn)出最高的激活水平，數(shù)字5和圖像7的匹配激活水平降低一點，數(shù)字4和7點圖像更低，當刺激物遠離其目標數(shù)量時，神經(jīng)元的活動不斷下降。

神經(jīng)網(wǎng)絡也會犯和人類大腦相似的錯誤， 它更難以區(qū)分較近的數(shù)字，如4和5，而不是相距較遠的數(shù)字，如4和9。它也很難區(qū)分較大的數(shù)字，如20和25。

人工智能距人類又近了一步

“這對我們來說非常令人興奮，因為這些正是我們在大腦真實神經(jīng)元中的反應類型，”Nieder說?！斑@可能可以解釋我們的大腦，至少我們的視覺系統(tǒng)，可以自發(fā)地表示場景中的物體數(shù)量?！?/p>

研究數(shù)學思維的巴黎笛卡爾大學的研究科學家VéroniqueIzard在一封電子郵件中寫道，這項研究表明了數(shù)字感不是從進化上選擇的，而是作為識別物體的副產(chǎn)品自發(fā)地出現(xiàn)。

Nieder認為這種類型的神經(jīng)網(wǎng)絡提供了更好的人腦模型。他說：“我們現(xiàn)在可以對大腦中的事情如何發(fā)生，以及從人工智能網(wǎng)絡到真實網(wǎng)絡的來回做出假設。我認為這些網(wǎng)絡對基礎科學來說是一大優(yōu)勢。”

實現(xiàn)表明我們的學習原則還是非?；A的，人類和動物所展示的一些高層次的思考可能與我們的視覺體驗密切相關。 我們可以沿著這個方向，將學習訓練應用于其他任務，去實現(xiàn)一些更具人類特質(zhì)的人工智能。

隨著我們不斷發(fā)現(xiàn)更多關于構建人工智能學習的技術，并找到了解生物大腦的新方法，我們將會解開了更多智能、適應性行為的奧秘。

雖然還有很長的路要走，很多其他方面去探索，但很清楚的是，人類之所以有這么強大的適應能力與我們看審視世界的能力和總結(jié)經(jīng)驗的能力密不可分。毫無疑問，這也將是任何人工智能系統(tǒng)的必要組成部分，這樣才有可能像人類一樣完成多樣性和復雜性的任務。