大腦在物體視覺的開始階段就檢測3D形狀碎片（凹凸，空心，軸，球體），這是一種新發(fā)現(xiàn)的自然智能策略，約翰·霍普金斯大學的研究人員也在訓練有素的視覺網(wǎng)絡的人工智能網(wǎng)絡中發(fā)現(xiàn)了這種策略。

《當前生物學》上的一篇新論文詳細介紹了V4區(qū)域中的神經(jīng)元，這是大腦對象視覺通路的第一個階段，它代表3D形狀碎片，而不僅僅是過去40年用于研究V4的2D形狀。然后，約翰·霍普金斯大學的研究人員在高級計算機視覺網(wǎng)絡AlexNet的早期（第3層）中識別出了幾乎相同的人造神經(jīng)元反應。在自然和人工視覺中，盡早檢測3D形狀大概有助于解釋現(xiàn)實世界中的實體3D對象。

Zanvyl Krieger思維/大腦研究所所長，神經(jīng)科學教授Ed Connor說：“我很早就看到V4發(fā)出清晰，清晰的3D形狀信號，”?！暗窃谝话偃f年中，我從未想過您會在AlexNet中看到同樣的事情，AlexNet僅受過訓練，可以將2D照片轉(zhuǎn)換為對象標簽?！?/p>

人工智能的長期挑戰(zhàn)之一是復制人類的視覺。諸如AlexNet之類的深度（多層）網(wǎng)絡已經(jīng)在對象識別方面取得了重大進展，這是基于為游戲開發(fā)的高容量圖形處理單元（GPU）和互聯(lián)網(wǎng)上爆炸的圖像和視頻所提供的大規(guī)模培訓集的。

康納和他的團隊對自然和人工神經(jīng)元進行了相同的圖像響應測試，并在V4和AlexNet層3中發(fā)現(xiàn)了非常相似的響應模式。這解釋了康納所描述的大腦之間“怪異的對應關(guān)系”-這是進化和進化的產(chǎn)物。終身學習-和AlexNet-由計算機科學家設計并受過訓練以標記物體照片？

Connor說，AlexNet和類似的深度網(wǎng)絡實際上是部分基于大腦中的多階段視覺網(wǎng)絡而設計的。他說，他們觀察到的密切相似之處可能表明將來有機會利用自然與人工智能之間的相關(guān)性。

康納說：“人工網(wǎng)絡是當前最有前途的理解大腦的模型。相反，大腦是使人工智能更接近自然智能的最佳策略來源?！?/p>

責任編輯：lq