一项来自麻省理工学院的新人工智能研究显示了深度神经网络与我们看世界的方式不同

来自麻省理工学院的最新人工智能研究揭示深度神经网络与人类视觉的差异

在复制人类感觉系统的复杂运作方面，神经科学和人工智能研究人员面临着一个持久的挑战：计算模型和人类感知之间的不变性差异。正如最近的研究所强调的那样，包括科学家小组进行的一项研究，旨在模仿人类视觉和听觉系统的各种功能的人工神经网络通常表现出与人类感知不一致的不变性。这一矛盾引发了对这些模型发展的基本原则以及它们在现实场景中的适用性的质疑。

历史上，解决计算模型和人类感知之间不变性差异问题的尝试包括调查模型对对抗性扰动的脆弱性或噪声和平移对模型判断的影响。

模型Metamers: 模型Metamers的概念受到人类感知Metamers的启发，后者是指尽管在物理上是不同的刺激，但在感觉系统的某些阶段产生无法区分的反应。在计算模型的背景下，模型Metamers是具有与特定自然图像或声音几乎相同激活的合成刺激。关键问题是人类是否能够将这些模型Metamers识别为属于与其匹配的生物信号相同的类别。

• 来自中国的新人工智能研究提出了4K4D：一种支持硬件光栅化并实现了前所未有的渲染速度的4D点云表示
• 生成性人工智能中先进编码器和解码器的力量
• 魔改MatFormer：一种适用于平台间灵活部署的通用嵌套变压器架构

本研究的结果揭示了计算模型和人类感知之间存在的显著差异。研究团队从视觉和听觉的各种深度神经网络模型中生成了模型Metamers，包括有监督和无监督学习模型。令人惊讶的是，这些模型在后期阶段产生的Metamers对人类观察者来说始终无法识别。这表明这些模型中的许多不变性与人类感觉系统不共享。

这些模型Metamers在揭示模型与人类之间差异方面的有效性也通过它们的可预测性得到了证明。有趣的是，模型Metamers的人类可辨识性与其他模型对它们的识别强相关，这表明人类与模型之间的差距在于每个模型所特有的个体差异不变性。

总之，引入模型Metamers是更好地理解和解决感觉系统计算模型与人类感知之间差异的重要步骤。这些合成刺激为研究人员在创建更具生物学准确性的模型方面提供了新的视角。尽管还有很多工作要做，但模型Metamers的概念为未来的模型评估提供了一个有希望的基准，并为更好地与人类感知的复杂性相符合的改进人工系统提供了潜力。