Hai nhà khoa học thần kinh đã thiết kế ra một mô hình phản ánh quá trình học tập bằng hình ảnh của con người được lập trình để sử dụng một kỹ thuật nhanh hơn nhiều để học các vật thể mới.

Trong tạp chí Frontiers in Computational Neuroscience, Maximilian Riesenhuber, Tiến sĩ, giáo sư khoa học thần kinh, tại Trung tâm Y tế Đại học Georgetown và Joshua Rule, Tiến sĩ, một học giả sau tiến sĩ tại UC Berkeley, giải thích cách tiếp cận mới cải thiện đáng kể khả năng của phần mềm AI học các khái niệm trực quan mới.

Riesenhuber nói: “Mô hình của chúng tôi cung cấp một cách hợp lý về mặt sinh học cho các mạng nơ-ron nhân tạo để học các khái niệm hình ảnh mới từ một số lượng nhỏ các ví dụ. “Chúng ta có thể khiến máy tính học tốt hơn nhiều từ một vài ví dụ bằng cách tận dụng quá trình học trước đó theo cách mà chúng ta cho rằng phản ánh những gì bộ não đang làm.”

Con người có thể học nhanh chóng và chính xác các khái niệm trực quan mới từ dữ liệu thưa thớt đôi khi chỉ là một ví dụ đơn lẻ. Ngay cả trẻ sơ sinh từ ba đến bốn tháng tuổi cũng có thể dễ dàng học cách nhận biết ngựa vằn và phân biệt chúng với mèo, ngựa và hươu cao cổ. Nhưng máy tính thường cần “xem” nhiều ví dụ về cùng một đối tượng để biết nó là gì, Riesenhuber giải thích.

Riesenhuber cho biết, thay đổi lớn cần có là thiết kế phần mềm để xác định mối quan hệ giữa toàn bộ các danh mục trực quan, thay vì thử cách tiếp cận tiêu chuẩn hơn để xác định một đối tượng chỉ sử dụng thông tin cấp thấp và trung gian, chẳng hạn như hình dạng và màu sắc.

Ông nói: “Sức mạnh tính toán của hệ thống phân cấp của não nằm ở tiềm năng đơn giản hóa việc học bằng cách tận dụng các biểu diễn đã học trước đó từ một cơ sở dữ liệu, với đầy đủ các khái niệm về các đối tượng.

Riesenhuber và Rule nhận thấy rằng các mạng nơ-ron nhân tạo, đại diện cho các đối tượng dưới dạng các khái niệm đã học trước đó, học các khái niệm trực quan mới nhanh hơn đáng kể.

Rule giải thích, “Thay vì học các khái niệm cấp cao về các đặc điểm hình ảnh cấp thấp, cách tiếp cận của chúng tôi giải thích chúng theo các khái niệm cấp cao khác. Giống như nói rằng thú mỏ vịt trông hơi giống vịt, hải ly, và một con rái cá biển. “

Cấu trúc não nền tảng cho việc học khái niệm thị giác của con người được xây dựng dựa trên các mạng lưới thần kinh liên quan đến việc nhận dạng đối tượng. Thùy thái dương trước của não được cho là chứa các đại diện khái niệm “trừu tượng” vượt ra ngoài hình dạng. Hệ thống phân cấp thần kinh phức tạp này để nhận dạng trực quan cho phép con người học các nhiệm vụ mới và quan trọng là thúc đẩy quá trình học trước đó.

Riesenhuber nói: “Bằng cách sử dụng lại những khái niệm này, bạn có thể dễ dàng học các khái niệm mới, ý nghĩa mới, chẳng hạn như thực tế là ngựa vằn chỉ đơn giản là một con ngựa có sọc khác.

Các nhà khoa học cho biết, bất chấp những tiến bộ trong AI, hệ thống thị giác của con người vẫn là tiêu chuẩn vàng về khả năng khái quát hóa từ một số ví dụ, đối phó mạnh mẽ với các biến thể hình ảnh và hiểu các cảnh.

Riesenhuber kết luận: “Phát hiện của chúng tôi không chỉ đề xuất các kỹ thuật có thể giúp máy tính học nhanh hơn và hiệu quả hơn, chúng còn có thể dẫn đến các thí nghiệm khoa học thần kinh được cải thiện nhằm tìm hiểu cách con người học nhanh đến như vậy, điều mà người ta chưa hiểu rõ”.

Công việc này đã được hỗ trợ một phần bởi Phòng thí nghiệm Quốc gia Lawrence Livermore và bởi Quỹ Khoa học Quốc gia (1026934 và 1232530) Học bổng Nghiên cứu Sau đại học.