還記得從什么時候開始，你學會了看圖識數，什么時候開始明白1和2的含義么？

也許我們都記不清了，因為這種直觀的數字感是卻是人類和動物與生俱來的優勢。 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。

即便現在的計算機已經可以在一秒內完成數百萬次的計算，機器學習已經可以識別小貓小狗，讓人工智能網絡像小孩一樣學習辨別數字仍是一件新穎的研究。

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

看圖識數的神經網絡

近年來，受生物學啟發的深度神經網絡為視覺系統的運作提出很多有價值的啟發。生成神經網絡，即一類深層網絡通過學習感官輸入來構建內部模型，已被證明具有數字感，但無法解釋數字神經元的出現。

為了研究它的發展，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絡，來模擬我們大腦中視覺系統的運作，看看在沒有訓練軟件的情況下是否會出現數量特征。

研究人員首先在120萬個圖像的標準數據集上訓練網絡，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，研究人員向神經網絡展示了只包含黑色背景上的白點圖案，以表示數字1到30，在沒有任何關于數字的指導或被告知尋找數量上的差異，神經網絡做到了將圖像根據點數分類。

“這項研究很酷的地方在于，當你訓練視覺系統的神經網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，如數字。”麻省理工學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，其中“神經元”既接收來自系統中高等神經元的輸入，又將該信息發送到線路上，某些神經元基于其特征或模式被刺激而“反射”。

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

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

神經網絡也會犯和人類大腦相似的錯誤， 它更難以區分較近的數字，如4和5，而不是相距較遠的數字，如4和9。它也很難區分較大的數字，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元中的反應類型，”Nieder說。“這可能可以解釋我們的大腦，至少我們的視覺系統，可以自發地表示場景中的物體數量。”

研究數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，這項研究表明了數字感不是從進化上選擇的，而是作為識別物體的副產品自發地出現。

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

實現表明我們的學習原則還是非常基礎的，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，去實現一些更具人類特質的人工智能。

隨著我們不斷發現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經驗的能力密不可分。毫無疑問，這也將是任何人工智能系統的必要組成部分，這樣才有可能像人類一樣完成多樣性和復雜性的任務。