Extremely coarse learning objectives induce human-aligned representations in AI vision models
这项研究表明，使用极其粗略的学习目标（例如仅区分八个宽泛类别）来训练人工智能视觉模型，所产生的内部表示比经过细粒度或自监督任务训练的模型更接近人类的神经反应和感知判断。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
几十年来，科学家们一直试图理解人类大脑是如何将大量的光线转化为清晰的世界图像的。他们长期以来一直怀疑，答案在于我们的视觉系统组织信息的方式，即将自然的混沌分类为“动物”、“工具”或“车辆”等整齐的类别。为了验证这些想法，研究人员构建了模仿大脑结构的类人工智能系统，训练它们识别成千上万种特定的物体。这些数字大脑已成为强大的工具，但一个悬而未决的问题仍然存在：大脑是否真的需要学习如此大量的特定标签，才能建立起对视觉的人类化理解？也许像人类一样观察的秘密不在于背诵一本庞大的物体百科全书，而在于学习一种更简单、更宽泛的分类世界的方式。
约翰斯·霍普金斯大学的一个研究小组试图通过剥离标准人工智能训练的复杂性来测试这种可能性。他们并没有教这些人工网络去区分一千个不同的图像类别（这是常见的做法），而是教它们将相同的图像归入极少数非常宽泛的组别中。他们没有使用人类制定的标签来定义这些组别；相反，他们让计算机在数据中寻找其自身的自然划分，从而创建出可能将“生物”与“机器”或“室内场景”与“室外场景”区分开来的类别。随后，他们训练了数百个这样的网络，将组别的数量从最少的两个增加到六十四个，并比较了由此产生的数字大脑在多大程度上能匹配人类大脑的实际活动以及人类观察者的行为。
结果令人惊讶。研究人员发现，在这些极其简单、粗略的类别上进行训练的网络，所开发的视觉世界内部地图，在匹配人类大脑活动方面，竟然与在完整的一千个类别上进行训练的网络一样出色，甚至更好。当他们测量这些人工大脑与人类视觉皮层扫描结果以及猕猴大脑记录的匹配程度时，发现仅基于八个宽泛组别进行训练的模型，其表现与最复杂的模型不相上下。更令人震惊的是，这些简单的网络在判断哪些物体看起来相似方面，比测试过的任何其他模型都更符合人类的判断，包括当今最先进的人工智能系统。
这一发现挑战了流行观点，即要构建一个像人类一样观察的机器，必须用大量详细的特定物体名称对其进行训练。该研究表明，人类视觉系统可能并不需要一个精细的、千种分类的任务，来发展其对世界的复杂理解。相反，将图像分组为宽泛且有意义的簇的能力，似乎足以产生一种镜像我们自身视觉表征的视觉能力。研究人员证明，这种效应在不同类型的神经网络架构中均成立，从较旧、较简单的设计到现代、复杂的系统，并且即使在训练数据有限的情况下也依然有效。
该团队还探讨了他们创建这些宽泛类别的方式是否重要。他们发现，无论类别是源自图像本身的统计模式，还是由清晰的、人类可理解的概念（如“自然与人工”或“大小”）所定义，结果都保持一致。这表明，关键因素在于学习目标的粗略程度本身，而非所使用的特定标签。研究进一步表明，这些经过粗略训练的网络并不仅仅是学习了复杂网络的一个简化版本；它们开发了一种本质上不同的视觉信息组织方式，而这种方式恰好与人类的感知更加契合。
通过展示一个出人意料的简单的学习目标可以产生与人类对齐的视觉，这项工作重新定义了构建机器视觉所需的内容。它表明，通往真正镜像人类感知的通用人工智能之路，可能不在于喂给它更多的数据或更复杂的任务，而在于教会它用更宽泛、更基本的方式来看待世界。这些发现为构建不仅强大、而且能真正与人类感知和组织视觉经验方式相一致的人工智能系统开辟了新的途径。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。