AI 可能不需要大量的訓練數據 | Hannah Robbins，約翰霍普金斯大學 摘要：新的研究顯示，AI 不需要無盡的訓練數據就能開始更像人類大腦。當研究人員重新設計 AI 系統，使其更像生物大腦時，一些模型在沒有任何訓練的情況下產生了類似大腦的活動。這挑戰了當今對 AI 開發的數據需求策略。這項工作表明，更智能的設計可以顯著加快學習，同時降低成本和能源使用。 --- 來自約翰霍普金斯大學的新研究顯示，受生物啟發設計的人工智能系統即使在未經訓練的情況下也能開始類似人類大腦的活動。該研究表明，AI 的結構可能與其處理的數據量一樣重要。 這些發現發表在《自然機器智能》上，挑戰了 AI 開發中的主導策略。研究強調，與其依賴數月的訓練、龐大的數據集和巨大的計算能力，不如從類似大腦的架構基礎開始。 重新思考數據密集型的 AI 方法 "目前 AI 領域的發展方式是將大量數據投入模型，並建立小城市規模的計算資源。這需要花費數千億美元。與此同時，人類學會看東西所需的數據非常少，" 首席作者、約翰霍普金斯大學認知科學助理教授 Mick Bonner 說。"進化可能出於某種原因收斂於這種設計。我們的工作表明，更類似大腦的架構設計使 AI 系統處於非常有利的起點。" Bonner 和他的同事旨在測試僅靠架構是否能給 AI 系統提供更類似人類的起點，而不依賴大規模的訓練。 比較流行的 AI 架構 研究團隊專注於三種現代 AI 系統中常用的主要神經網絡設計：變壓器、全連接網絡和卷積神經網絡。 他們反覆調整這些設計，創建了數十種不同的人工神經網絡。這些模型都沒有事先訓練。研究人員然後向未經訓練的系統展示物體、人類和動物的圖像，並將其內部活動與人類和非人類靈長類動物觀看相同圖像時的腦反應進行比較。 為什麼卷積網絡脫穎而出 在變壓器和全連接網絡中增加人工神經元的數量幾乎沒有產生有意義的變化。然而，對卷積神經網絡進行類似的調整導致的活動模式更接近人類大腦中觀察到的模式。 根據研究人員的說法，這些未經訓練的卷積模型的表現與傳統 AI 系統相當，而後者通常需要接觸數百萬甚至數十億張圖像。結果表明，架構在塑造類似大腦的行為方面的作用比之前認為的要大。 通往更智能 AI 的更快途徑 ...