訓練模擬大腦網路的軟體來識別犬種或體育器材早已不是新聞。但是，讓這樣的人工智慧網路自主學習一種早期兒童發育中固有的過程，這確實是新穎的。在週三發表於科學進展雜誌上的一篇論文中，一個神經網路區分了不同數量的事物，即使它從未被教導什麼是數字。
這個神經網路重現了一種認知技能，這種技能是人類嬰兒、猴子和烏鴉等與生俱來的。在沒有任何訓練的情況下，它突然能夠分辨出數量的多少——這種技能被稱為數量感，或數字意識。許多人認為數字意識是我們計數和進行更復雜數學運算的必要先決條件。但是，關於這種能力如何在年輕的大腦中自發產生的問題一直存在。
為了研究其發展，德國蒂賓根大學的科學家使用了一種旨在模仿人類大腦的深度學習系統，以觀察數量感是否會在無需訓練軟體的情況下出現。“我們試圖透過構建一個深度學習網路，一個人造神經網路來模擬我們大腦視覺系統的工作方式，”蒂賓根神經生物學研究所的教授，新論文的資深作者安德烈亞斯·尼德爾說。“最大的問題是，我們的大腦和動物的大腦如何能夠自發地表示視覺場景中物體的數量？”
支援科學新聞業
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞業 訂閱。透過購買訂閱，您正在幫助確保關於塑造我們當今世界的發現和想法的具有影響力的故事的未來。
研究人員首先在一個標準的包含120萬張影像的資料集上訓練了該網路，這些影像分為1000個不同的類別。最終，該系統——像之前的許多系統一樣——能夠識別動物和昆蟲的圖片，不僅能識別出狗或蜘蛛，還能識別出特定的犬種，如迷你雪納瑞犬或狼蛛。
接下來，研究人員向神經網路展示了僅包含黑底白點圖案的影像，以表示數字1到30。在沒有被教導任何關於數字的知識，也沒有被告知要尋找數量差異的情況下，該系統能夠根據影像中點的數量對每個影像進行分類。“當你訓練看起來像視覺系統的神經網路來執行物體識別等任務時，它會免費學習其他東西，”麻省理工學院大腦與認知科學系的教授詹姆斯·迪卡洛說，他沒有參與這項研究。“這項研究的酷之處在於，他們正在測量那些被視覺探測到的東西，但通常不被認為是純粹的視覺事物，比如數量感。”
尼德爾的團隊使用了一個模仿人類大腦的深度學習系統，其中的“神經元”既接收來自系統高層神經元的輸入，又將資訊向下傳遞。某些神經元根據其特徵或模式“激發”以響應特定的刺激。
使用這個模型，尼德爾將網路神經元的啟用與猴子大腦中顯示相同點圖案的神經元進行了比較。人工神經元的行為與動物大腦視覺處理區域的神經元完全一樣，對特定數字有偏好和調諧。例如，一個偏好數字6的神經元在顯示6個點時具有最高的啟用水平。它對5個和7個點的反應稍弱，對4個和8個點的反應再次減弱，依此類推。隨著刺激越來越遠離其目標數字，神經元的活動持續下降。
“這對我們來說非常令人興奮，因為這些正是我們在大腦中真實神經元中看到的反應型別，”尼德爾說。“這可能是一種解釋，即我們大腦的佈線，至少是我們視覺系統的佈線，可以自發地產生對場景中物體數量的表示。”
神經網路甚至犯了與人腦相似的錯誤。它更難區分彼此接近的數字，如4和5，而不是彼此遠離的數字，如4和9。與距離相同（1和6）的較小數字相比，它在區分較大的數字（20和25）時也更吃力，就像人類一樣。
巴黎笛卡爾大學研究數學思維的科學家維羅妮克·伊扎德在一封電子郵件中寫道，作者“為數量感敏感性的出現提供了一種機械解釋。” 她說，這表明數量感本身並不是進化選擇的，而是“自發產生的，作為學習識別物體的副產品。”
並非所有科學家都同樣印象深刻。哥倫比亞大學神經科學和教育副教授彼得·戈登說，神經網路正在“基於低階視覺資訊，如線條、角度和陰影等進行評估。因此，如果你將此應用於這些數量，所發生的事情是它只是表明幾張10個點的圖片比幾張8個點的圖片更相似。它並沒有真正捕捉到數字。”
就他而言，尼德爾堅持認為，這種型別的神經網路提供了更好的人腦模型。“我們現在可以對大腦中發生的事情提出假設，並且可以在人工網路和真實網路之間來回切換，”他說。“我認為這是這些網路用於基礎科學的一大優勢。”