Neurovetenskapsmän utformar modell för att spegla mänskligt visuellt lärande

Genom att programmera datorbaserad artificiell intelligens (AI) för att använda en snabbare teknik för att lära sig nya föremål, börjar AI fungera mer som mänsklig intelligens. Detta kommer som två neurovetenskapsmän utformade en modell för att spegla mänskligt visuellt lärande.

Forskningen av Maximillian Riesenhuber, PhD, professor i neurovetenskap vid Georgetown University Medical Center, och Joshua Rule, PhD, postdoktor vid UC Berkeley, publicerades i tidskriften Frontiers in Computational Neuroscience. 

AI Lärande Nya Visuella Koncept

Neurovetenskapsmännen demonstrerade hur den nya metoden förbättrar AI-mjukvarans förmåga att snabbt lära sig nya visuella koncept.

“Vår modell erbjuder en biologiskt trovärdig metod för artificiella neurala nätverk att lära sig nya visuella koncept från ett litet antal exempel”, säger Riesenhuber. “Vi kan få datorer att lära sig mycket bättre från få exempel genom att utnyttja tidigare lärande på ett sätt som vi tror speglar vad hjärnan gör.”

Människor har förmågan att lära sig nya visuella koncept från knapphändig data mycket snabbt och exakt. Vi besitter denna förmåga redan vid en mycket ung ålder, så lågt som tre månader gammal. Däremot kräver datorer många exempel på samma föremål för att slutligen veta vad det är.

“Den komputationsmässiga kraften i hjärnans hierarki ligger i potentialen att förenkla lärande genom att utnyttja tidigare inlärda representationer från en databas, som det var, full av koncept om föremål”, säger Riesenhuber.

Artificiella Neuronnätverk vs Mänskligt Visuellt System

Riesenhuber och Rule fann att artificiella neuronnätverk kan lära sig nya visuella koncept mycket snabbare, nästan på samma nivå som mänsklig förmåga.

“I stället för att lära sig högnivåkoncept i termer av lågnivåvisuella funktioner, förklarar vår metod dem i termer av andra högnivåkoncept”, säger Rule. “Det är som att säga att en platypus ser ut lite som en anka, en bäver och en sjöutter.”

Mänskligt visuellt konceptlärande är starkt beroende av de neuronnätverk som är inblandade i föremålsigenkänning, och den främre tinningloben i hjärnan anses ha förmågan att gå utöver form när det gäller konceptrepresentation. Eftersom dessa neurala hierarkier som är inblandade i visuell igenkänning är så komplexa, kan människor lära sig nya uppgifter och utnyttja tidigare lärande.

“Genom att återanvända dessa koncept kan du lära dig nya koncept, ny mening, såsom faktum att en zebra är en häst av en annan rand”, säger Riesenhuber.

AI har ännu inte nått samma nivå som det mänskliga visuella systemet, som har en överlägsen förmåga att generalisera från få exempel, hantera bildvariationer och förstå scener. Men framsteg är på väg att bringa det närmare.

“Våra fynd antyder inte bara tekniker som kan hjälpa datorer att lära sig snabbare och effektivare, de kan också leda till förbättrade neurovetenskapliga experiment som syftar till att förstå hur människor lär sig så snabbt, vilket ännu inte är väl förstått”, säger Riesenhuber.