据国外媒体报道，芬兰的计算机科学家使用神经生物学方法，在人工智能研究过程中取得了新的突破：深度学习神经网络可以自动识别图片中的对象，准确率达到75％。人脑非常棒。经过数十年的研究，人类仍然无法复制人类大脑的超快速计算速度。当前，计算机科学家可以使用的最强大的工具是神经网络。这样的大型计算机网络可以通过训练来解决复杂的问题，其机制类似于人类的中枢神经系统，即使用不同级别的神经元来解决问题的不同部分，最后融合为一个适当的答案。当前的问题是，这样的神经网络在学习如何解决问题之前需要大量的数据输入和训练。例如，ImageNet是训练数据的良好来源。这个庞大的视觉信息数据库包含一百万张手动注释的照片。这被称为“监督学习”，真正的人工智能意味着神经网络需要学习如何自动完成“非监督学习”。这正是芬兰初创公司Curious AI希望实现的目标。好奇的AI CTO安迪＆amp; middot; Rasmus（AntTI Rasmus）在赫尔辛基举行的Slush 2016 Technology Industry Conference上说：“人脑将进行很多无监督的学习。我们不需要反复告诉婴儿勺子是什么。他们可以自动从环境中学习并形成概念。 ＆amp; rdquo;对于人脑，基于对象形成概念非常简单。这已经在心理学上进行了研究，即“格式塔理论”。人脑将形状，颜色，运动状态和图案相似的事物归为一类。我们采取的第一步是允许深度学习系统对人脑等对象进行分类。 ＆amp; rdquo;将神经科学应用于人工神经网络在神经科学中，称为“速率编码”的理论被称为“速率编码”。指出大脑中神经元的放电率越高，神经元越活跃。神经元继续被发射。在1980年代，科学家发现神经元将自己组织在一起以代表不同的信息。该理论称为“临时编码”。该理论认为，神经元激发的时机非常重要，精确的激发时机定义了成千上万个神经元中的哪一个属于同一组。因此，可以同时发射一些神经元，以帮助大脑识别一系列物体中的一个物体，例如一堆办公用品中的一块红布，而另一部分神经元会告诉大脑其他物体属于到背景信息。 Rasmus说：“我们的计算机算法集成了一个临时编码机制。我们在神经网络的每一层中存储多个副本。整个神经网络被复制了4次。这意味着系统可以了解每个副本代表一个特定的对象，并且通过将这些对象合并在一起，可以将其与原始图像进行匹配。 “ Rasmus以前是NVIDIA的软件工程师，目前在芬兰的阿尔托大学从事深度学习的博士学位研究。通过将图像分为4个不同的组，神经网络可以自己对图像进行编码。这是无监督的学习，我们不需要标记系统。当我们向神经网络显示图片时，它将自动将图片分解为元素（例如图片中的对象）。 ＆amp; rdquo;在神经网络将图片分解成单独的元素之后，分类和识别对象变得更加容易，因为这些对象彼此不重叠，从而导致图像模糊。感知分组可以给深度学习带来革命性的变化：研究人员最初指示神经网络在没有监督的情况下分析图片和组织对象，然后在图像上添加标签信息（监督学习）以观察系统学到了什么。他们发现，Curious AI的Tagger系统可以达到75.1％的准确性。相比之下，传统神经网络的准确性仅21％，仅比随机猜测的准确性高1％。拉斯穆斯说：“这是一项革命性的研究，它使无监督学习得到了进一步的发展。通过让机器掌握对象的概念，我们实现了与人脑更相似的无监督学习。这可以帮助将来的研究，允许神经网络执行更高级的推理并了解对象与环境的相关性。 ＆amp; rdquo;在当前系统中，