新研究确定了人工智能如何无法重现人类视觉

当人类发现一张熟悉的面孔或一辆迎面而来的车辆时，大脑只需100毫秒(约十分之一秒)即可识别它，更重要的是，将它放在正确的上下文中以便可以理解，并且个人可以做出相应的反应。

不出所料，计算机可能能够更快地执行此操作，但它们是否与现实世界中的人类一样准确?根据西方神经影像学专家MariekeMur领导的一项研究，并非总是如此，这是一个问题。

可以使用称为深度神经网络或深度学习的人工智能，教会计算机处理传入的数据，例如观察人脸和汽车。这种类型的机器学习过程使用类似于人脑的分层结构中的互连节点或神经元。

关键词是“相似”，因为计算机尽管具有深度学习的力量和前景，但尚未掌握人类计算，而且至关重要的是，身体和大脑之间的交流和联系，特别是在视觉识别方面。

“虽然很有前途，但深度神经网络远非完美的人类视觉计算模型，”在心理学和计算机科学系联合任命的西方教授穆尔说。

先前的研究表明，深度学习无法完美地再现人类视觉识别，但很少有人试图确定深度学习无法模仿人类视觉的哪些方面。

该团队使用了一种称为脑磁图(MEG)的非侵入性医学测试来测量大脑电流产生的磁场。Mur和她的国际合作者使用在观察物体期间从人类观察者那里获得的MEG数据，发现了一个关键故障点。他们发现，物体的容易命名的部分，例如“眼睛”、“轮子”和“脸”，可以解释人类神经动力学的差异，这超出了深度学习所能提供的范围。

“这些发现表明，深度神经网络和人类可能部分依赖不同的对象特征进行视觉识别，并为模型改进提供指导，”Mur说。

该研究表明，深度神经网络无法完全解释人类观察者在个人查看物体照片(包括面部和动物)时测得的神经反应，并且对深度学习模型在现实环境中的使用具有重大意义，例如自我驾驶车辆。

“这一发现提供了关于神经网络无法理解图像中哪些内容的线索，即指示与生态相关的对象类别(如面部和动物)的视觉特征，”Mur说。“我们建议神经网络可以作为大脑模型进行改进，方法是为它们提供更像人类的学习体验，比如一种更加强调人类在发育过程中所承受的行为压力的训练制度。”

例如，对于人类来说，快速识别一个物体是否是正在接近的动物是很重要的，如果是，则预测它的下一个相应动作。在训练期间整合这些压力可能有利于深度学习方法模拟人类视觉的能力。

　　免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！