什么狗 - 鱼和骆驼鸟可以告诉我们我们的大脑是如何工作的

作者:冷耪

您可能已经看到了谷歌恰当命名的Inceptionism项目所产生的一些“噩梦”图像。在这里,我们对狗和骑士进行了奇特的融合(如上图所示),附有武器的哑铃(见下文)和Hieronymus Bosch的动物园 - 伊恩生物:但这些不只是计算机化的好奇心生成这些图像的过程实际上可以告诉我们很多关于我们自己的思维如何处理和分类图像 - 以及我们拥有的计算机在这方面仍然缺乏的东西人工神经网络或“深度学习”,在机器学习领域取得了巨大进步,特别是在图像分类方面,传统的机器学习方法通​​常依赖于自上而下的基于规则的编程,明确规定特定对象具有哪些特征他们也有通常是不准确和容易出错的另一种方法是使用人工神经网络,通过实验自下而上发展它们通常有几个相互关联的信息处理单元或神经元程序员用每个神经元对某些函数进行加权,每个函数根据指定的数学模型解释信息,告诉它要查找的内容,无论是边缘,边界,频率,形状,神经元在整个网络中发送信息,创建解释层,最终得出关于图像中的内容的结论Google的Inceptionism项目测试了其神经网络的图像识别能力的极限Google研究团队通过将其暴露给数百万人来训练网络图像和调整网络参数,直到程序提供他们描绘的对象的准确分类然后他们将系统转向头部而不是喂入图像 - 比如香蕉 - 并让神经网络说出它是什么,他们喂入随机噪音或无关的图像,并有网络寻找香蕉的结果lting图像是网络对其所学内容的“回答”Inceptionism项目的结果不仅仅是好奇心程序所做的精神诠释表明生物系统中信息处理所特有的缺失例如,结果显示该系统容易受到物体过度泛化的影响,如哑铃需要手臂的情况:这类似于相信樱桃只出现在冰淇淋圣代上面因为神经网络在相关性和概率上运作(大多数哑铃是与武器相关联,它缺乏区分连续性与形成稳定概念的必要性的能力该项目还表明,过度依赖特征检测会导致网络识别可能共现的能力出现问题。过度解释的倾向,类似于Rorschach测试揭示图像的方式,或Orange中的囚犯新黑人看到吐司面孔同样,谷歌的神经网络看到了天空中的生物,就像上面的“骆驼鸟”和“狗鱼”这样的奇怪生物,它甚至在Google主页中找到了奇怪的东西:稳定的分类迄今为止,谷歌的研究人员描述:我们实际上很难理解为什么某些模型可以工作而其他模型不起作用[...]这里介绍的技术有助于我们理解和可视化神经网络如何实现困难的分类任务,改进网络架构,并检查网络在训练期间学到了什么Inceptionism项目还告诉我们一些关于我们自己的神经网络如何运作对于像我们这样的人类,关于对象的感知信息是从各种输入集成的,例如形状,颜色,大小等,然后转化为关于那个东西的概念例如,“樱桃”是红色的,圆形的,甜的和可食用的A当你发现更像樱桃这样的东西时,你的神经网络创造了一类像樱桃这样的东西,或樱桃所属的东西,如“水果”很快,你可以想象一个樱桃,而不是真的存在于一个樱桃,在概念层面上对樱桃的概念进行管理概念组织使我们能够将云的图画,照片和符号视为指向相同的“云”概念,无论云的特征可能暗示狗的外观多少-鱼 它还使您能够进行有关抽象对象的沟通,尽管从未直接体验过它们,例如独角兽。谷歌的这项研究产生的一个暗示是,模拟智能需要一个额外的组织组件,而不仅仅是整合的特征检测然而,目前还不清楚如何成功在深度学习模型中复制这个功能虽然我们的实验人工神经网络在图像识别方面越来越好,但我们还不知道它们是如何工作的 - 就像我们不了解我们自己的大脑是如何工作的那样但是继续测试人工神经网络是如何工作的网络失败,我们将更多地了解它们,....