训练模拟大脑网络的软件来识别犬种或体育器材早已不是新闻。但是，让这样的人工智能网络自主学习一种早期儿童发育中固有的过程，这确实是新颖的。在周三发表于科学进展杂志上的一篇论文中，一个神经网络区分了不同数量的事物，即使它从未被教导什么是数字。
这个神经网络重现了一种认知技能，这种技能是人类婴儿、猴子和乌鸦等与生俱来的。在没有任何训练的情况下，它突然能够分辨出数量的多少——这种技能被称为数量感，或数字意识。许多人认为数字意识是我们计数和进行更复杂数学运算的必要先决条件。但是，关于这种能力如何在年轻的大脑中自发产生的问题一直存在。
为了研究其发展，德国蒂宾根大学的科学家使用了一种旨在模仿人类大脑的深度学习系统，以观察数量感是否会在无需训练软件的情况下出现。“我们试图通过构建一个深度学习网络，一个人造神经网络来模拟我们大脑视觉系统的工作方式，”蒂宾根神经生物学研究所的教授，新论文的资深作者安德烈亚斯·尼德尔说。“最大的问题是，我们的大脑和动物的大脑如何能够自发地表示视觉场景中物体的数量？”
支持科学新闻业
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻业 订阅。通过购买订阅，您正在帮助确保关于塑造我们当今世界的发现和想法的具有影响力的故事的未来。
研究人员首先在一个标准的包含120万张图像的数据集上训练了该网络，这些图像分为1000个不同的类别。最终，该系统——像之前的许多系统一样——能够识别动物和昆虫的图片，不仅能识别出狗或蜘蛛，还能识别出特定的犬种，如迷你雪纳瑞犬或狼蛛。
接下来，研究人员向神经网络展示了仅包含黑底白点图案的图像，以表示数字1到30。在没有被教导任何关于数字的知识，也没有被告知要寻找数量差异的情况下，该系统能够根据图像中点的数量对每个图像进行分类。“当你训练看起来像视觉系统的神经网络来执行物体识别等任务时，它会免费学习其他东西，”麻省理工学院大脑与认知科学系的教授詹姆斯·迪卡洛说，他没有参与这项研究。“这项研究的酷之处在于，他们正在测量那些被视觉探测到的东西，但通常不被认为是纯粹的视觉事物，比如数量感。”
尼德尔的团队使用了一个模仿人类大脑的深度学习系统，其中的“神经元”既接收来自系统高层神经元的输入，又将信息向下传递。某些神经元根据其特征或模式“激发”以响应特定的刺激。
使用这个模型，尼德尔将网络神经元的激活与猴子大脑中显示相同点图案的神经元进行了比较。人工神经元的行为与动物大脑视觉处理区域的神经元完全一样，对特定数字有偏好和调谐。例如，一个偏好数字6的神经元在显示6个点时具有最高的激活水平。它对5个和7个点的反应稍弱，对4个和8个点的反应再次减弱，依此类推。随着刺激越来越远离其目标数字，神经元的活动持续下降。
“这对我们来说非常令人兴奋，因为这些正是我们在大脑中真实神经元中看到的反应类型，”尼德尔说。“这可能是一种解释，即我们大脑的布线，至少是我们视觉系统的布线，可以自发地产生对场景中物体数量的表示。”
神经网络甚至犯了与人脑相似的错误。它更难区分彼此接近的数字，如4和5，而不是彼此远离的数字，如4和9。与距离相同（1和6）的较小数字相比，它在区分较大的数字（20和25）时也更吃力，就像人类一样。
巴黎笛卡尔大学研究数学思维的科学家维罗妮克·伊扎德在一封电子邮件中写道，作者“为数量感敏感性的出现提供了一种机械解释。” 她说，这表明数量感本身并不是进化选择的，而是“自发产生的，作为学习识别物体的副产品。”
并非所有科学家都同样印象深刻。哥伦比亚大学神经科学和教育副教授彼得·戈登说，神经网络正在“基于低级视觉信息，如线条、角度和阴影等进行评估。因此，如果你将此应用于这些数量，所发生的事情是它只是表明几张10个点的图片比几张8个点的图片更相似。它并没有真正捕捉到数字。”
就他而言，尼德尔坚持认为，这种类型的神经网络提供了更好的人脑模型。“我们现在可以对大脑中发生的事情提出假设，并且可以在人工网络和真实网络之间来回切换，”他说。“我认为这是这些网络用于基础科学的一大优势。”