神经科学家提出，人工智能的功能可能更像人类大脑，被设计为使用更快的技术识别新物体。

乔治城大学医学中心的神经科学家Maximilian Riesenhuber教授和加州大学伯克利分校的博士后学者Joshua Rule设计了一个能够反映人类视觉学习的模型。他们在期刊上解释了这种新方法如何极大地提高神经网络学习新视觉概念的能力。

“我们的模型为人工神经网络从少数例子中学习新的视觉概念提供了一种生物学上貌似合理的方法，”Riesenhuber说。“我们可以利用预先学习的方式，让计算机从少数例子中学习得更好，我们认为这种方式可以反映大脑的行为。”

根据Riesenhuber的说法，沐鸣测速地址人类可以快速而准确地从稀疏的数据中学习新的视觉概念——有时只是一个例子。即使是三到四个月大的婴儿也能很容易地学会辨认斑马，并把它们与其他动物区分开来。但他说，计算机通常需要“看到”同一物体的许多实例才能知道它是什么。

然而，Riesenhuber指出，最大的改变是设计软件来识别整个视觉类别之间的关系，而不是尝试使用更标准的方法来识别一个对象，只使用低级和中级信息，如形状和颜色。

他说:“大脑层次结构的计算能力在于，利用之前从数据库中学习到的表示，可以简化学习，因为数据库中充满了关于物体的概念。”

Riesenhuber和Rule发现，用先前学习的模式来代表物体的人工神经网络能够更快地识别新物体。

Rule解释道:“我们的方法不是从低级视觉特性的角度学习高级概念，而是从其他高级概念的角度来解释它们。这就好比说鸭嘴兽看起来有点像鸭子、海狸和海獭一样。”

人类视觉概念学习的大脑结构建立在物体识别的神经网络之上。大脑前颞叶被认为包含超越形状的抽象概念表征。这些用于视觉识别的复杂神经层次结构使人类能够学习新的任务，并利用之前的学习。

“通过重复使用这些概念，你可以更容易地学习新的概念，新的含义，沐鸣测速例如斑马只是一匹不同条纹的马，”Riesenhuber说。

科学家们解释说，尽管人工智能取得了进步，但就从少数例子中归纳、稳健处理图像变化和理解场景的能力而言，人类视觉系统仍是黄金标准。

Riesenhuber总结道:“我们的发现不仅表明技术可以帮助计算机更快、更有效地学习，而且它们还可以导致改进的神经科学实验，旨在了解人们如何学习得如此之快，这一点目前还没有被很好地理解。”