來自紐約大學、多倫多大學和麻省理工學院的一組科學家創造了一項人工智能突破，能夠一次性學習視覺概念，然后以類似人類的方式進行操作。這一進步可以為更智能的手機、改進的語音識別和能夠更好地了解周圍環境的計算機鋪平道路。

要了解突破，首先必須熟悉人們的學習方式。當人類接觸到一個新概念時，例如一件新的廚房設備、一個舞蹈動作或第一次學習一個單詞，他們通常只需要幾個例子來理解它的構成并識別新的實例。盡管機器現在可以復制一些以前由人類完成的模式識別任務，例如自動柜員機讀取支票上的數字，但機器通常需要提供數百或數千個示例才能以相似的準確度執行。?

科學家們開發了一種捕捉學習能力的算法，使計算機能夠識別和繪制與人類創造的概念幾乎沒有區別的簡單視覺概念。圖片來源：紐約大學。

發表在《科學》雜志上，研究人員試圖縮短學習過程，使其類似于人類獲取和應用知識的方式。為此，他們開發了一個“貝葉斯程序學習”（BPL）框架，其中概念被表示為簡單的計算機程序。例如，字母“A”由計算機代碼表示，類似于計算機程序員的工作，但該代碼在運行代碼時會生成該字母的示例。但是學習過程不需要程序員，因為算法通過構建代碼來編程自己，以產生它看到的字母。與每次運行時產生相同輸出的標準計算機程序不同，這些概率程序在每次執行時產生不同的輸出，從而使它們能夠捕捉到概念實例的變化方式，

多倫多大學計算機科學助理教授 Ruslan Salakhutdinov 說：“在學習新概念時，要制造出與人類一樣需要少量數據的機器是非常困難的。” “復制這些能力是一個令人興奮的研究領域，將機器學習、統計學、計算機視覺和認知科學聯系起來。”

雖然標準模式識別算法將概念表示為像素配置或特征集合，但 BPL 方法學習世界上過程的“生成模型”，這使得學習成為模型構建或“解釋”提供給算法的數據的問題。BPL 旨在捕獲現實世界過程的因果和組合屬性，從而使算法能夠更有效地使用數據。

令人印象深刻的是，該模型還通過使用來自先前概念的知識來學習學習，以加快對新概念的學習。這方面的一個例子是使用拉丁字母的知識來學習希臘字母中的字母。

麻省理工學院腦與認知科學系教授約書亞·特南鮑姆說：“在上幼兒園之前，孩子們學會從一個例子中識別新概念，甚至可以想象他們沒有見過的新例子。”大腦、思想和機器中心。“我們距離制造像人類孩子一樣聰明的機器還很遙遠，但這是我們第一次擁有一臺能夠學習和使用大量現實世界概念的機器——甚至是簡單的視覺概念，如手寫字符——很難與人類區分開來的方式。”?

資料來源：紐約大學

審核編輯 黃昊宇