“猫鼠游戏”让人工智能更“聪明”
３月１９日，当前，人工智能的计算力、识别力快速发展，但想象力、创造力仍处瓶颈。为破解这一局限，科学家设计出一套类似“猫鼠游戏”的技术，让人工智能在自动学习中变得更“聪明”。 这种技术被称为“对抗性神经网络”技术，美国《麻省理工学院技术评论》日前将其评为２０１８年“全球十大突破性技术”之一。 人工智能的识别能力有赖于海量样本学习，比如给它“看”数以百万计的鸟类图片，它才能“学会”辨认鸟类，而生成逼真的鸟类图像则更难。其局限性在于，有些事物缺乏海量样本，而且这种学习还依赖人类的“灌输”，缺少自主性。这限制了人工智能的发展，特别是向想象力、创造力这种更高层次的进阶。 美国人伊恩·古德费洛２０１４年在加拿大蒙特利尔大学读博士时想出一套设计方案：用两个神经网络，进行数字版的“猫鼠游戏”——一个负责“造假”，一个负责“验真”，从而在对抗中不断提高。 负责“造假”的神经网络称为“生成网络”，它依据所“......阅读全文
日本借深度神经网络破译人类思维 人工智能走近大脑
外媒称，日本研究人员已经成功借助人工智能破译了人类的思维和想象，从而在理解人类思想及其背后的大脑机制领域获得了重大突破。 据阿根廷 21 世纪趋势网站 6 月 6 日报道，破解人类思维的内容是科学界长久以来的愿望。事实上，此前的种种研究也已经实现了破译人类所见、回忆、想象和梦境的内容。 例如
宇宙神经网络：高度相似的神经网络与宇宙星系
一项最新的研究表明人类大脑神经元网络和宇宙的星系网络之间存在惊人的结构相似性！这项研究结果由意大利天体物理学家Franco Vazza和神经外科医生Alberto Feletti以题为“The Quantitative Comparison Between the Neuronal Netwo
宇宙神经网络：高度相似的神经网络与宇宙星系
作者：罗辑科学 一项最新的研究表明人类大脑神经元网络和宇宙的星系网络之间存在惊人的结构相似性！这项研究结果由意大利天体物理学家Franco Vazza和神经外科医生Alberto Feletti以题为“The Quantitative Comparison Between the Neur
大脑发育的神经网络建模
本周《自然》发表的两篇研究Assembly of functionally integrated human forebrain spheroids和Cell diversity and network dynamics in photosensitive human brain organoi
9年“孕育” 类脑认知智能引擎“智脉”诞生
曾毅团队 受访者供图近日，中国科学院自动化研究所类脑智能研究中心研究员曾毅团队发布了历时9年打造的全脉冲神经网络的类脑认知智能引擎“智脉”(Brain-inspired Cognitive Engine，以下简称BrainCog)，并进行全面开源开放，助力自然智能的计算本质探索和新一代人工智能的发
RNA探针实时监测神经网络活动
过去十年，神经生物学家的注意力一直集中在神经网络功能研究，而非单个神经细胞。但是大脑的关键功能（信息处理、储存和传输）都需要在单细胞水平执行。 很长一段时间，神经网络研究工作者面临一些方法上的困难，旨在研究单个神经元电活动和代谢活动的传统方法无法提供神经网络结构或功能信息。常用的方法
神经网络创造可行性芯片
英国《自然》杂志9日发表一项人工智能突破性成就，美国科学家团队报告机器学习工具已可以极大地加速计算机芯片设计。研究显示，该方法能给出可行的芯片设计，且芯片性能不亚于人类工程师的设计，而整个设计过程只要几个小时，而不是几个月，这为今后的每一代计算机芯片设计节省数千小时的人力。这种方法已经被谷歌用来
独特视角：从物理智能到微波视觉（一）
摘要：近10 年来，人工智能技术得到了科技与工业界的极大的重视，预示着人类文明将进入智能时代。但是，作为智能时代基础的“智能科学”还远未成型。本文从电磁物理信息感知技术的独特视角，讨论智能科学如何发展的一些见解，指出人类智能与外在世界互为对偶问题、相互不可分割的根本属性，因此按人工智能所应对的对
新一代人工智能：“轻”装上阵 普惠民生
深度学习近些年来迅猛发展，在人工智能领域显现出了强大的威力。然而这一切是有代价的。为了完成日益复杂的AI任务，神经网络模型体量暴增，对服务器的储存和算力要求也水涨船高，由此产生的经济成本、耗费的电量、对环境的污染正在困扰着这个行业。 人工智能的这场游戏正变得越来越“笨拙”，也越来越奢侈。于是，
科学家发现深度神经网络对幻觉轮廓“视而不见”
近日，中科院自动化所研究员曾毅团队研究发现，从经典的到最先进的深度神经网络都难以像人一样具有较好的幻觉轮廓识别能力。相关研究成果发表于细胞出版社旗下期刊《模式》。神经网络和深度学习模型在过去十年中看似取得巨大成功，在许多给定的视觉任务中在指定方面超过了人类表现。然而，神经网络的性能仍然会随着各种图像