数字在计算机可以做得很好的列表上相当高。虽然人们经常难以分割餐馆账单，但现代计算机可以在几秒钟内完成数百万次计算。然而，人类具有天生和直观的数字感，这有助于我们在其他方面首先构建计算机中国机械网okmao.com。

与计算机不同  ，人类在看四只猫，四只苹果和符号4时都知道它们都有一个共同点 -  “四” 的  抽象概念 - 甚至不必计算它们。这说明了人类思维  与机器之间的差异  ，并有助于解释为什么我们甚至没有与人类拥有的广泛智能开发AI。但是现在，一项发表在“科学进步”杂志上的新研究表明，  人工智能已经自发地形成了类似人类的数字感。

对于要计算的计算机，我们必须清楚地定义我们想要计算的内容。一旦我们分配了一些内存来维护计数器，我们就可以将它设置为零，然后在每次找到我们想要记录的内容时添加一个项目。这意味着计算机可以计算时间（来自电子时钟的信号），单词（如果存储在计算机的存储器中）甚至是数字图像中的对象  。

然而，最后一项任务有点挑战性，因为我们必须在计算对象之前确切地告诉计算机它们的样子。但是物体看起来并不总是一样 - 照明，位置和姿势的变化会产生影响，以及各个例子之间的结构差异。

检测图像中物体的所有成功的计算方法都是通过从许多个体实例中构建一种物体的统计图像来实现的 - 一种学习方式。这允许计算机以一定程度的置信度识别对象的新版本。培训涉及提供包含或不包含对象的示例。然后计算机猜测它是否存在，并根据猜测的准确性调整其统计模型 - 由监督学习的人判断  。

当提供数百万种任意类型的训练图像时，现代AI系统自动开始能够检测物体 - 就像人类一样。这些  无监督学习系统  逐渐注意到图像中通常同时存在的部分元素，并逐层构建更复杂的共性。

以识别苹果为例。当包含各种形状的图像呈现给系统时，它首先开始注意到构成水平和垂直线以及左右曲线的像素组。它们存在于苹果，面孔，猫和汽车中，因此早期就会发现共性或抽象。它最终意识到某些曲线和线条通常一起存在于苹果中 - 并且开发了一种新的，更深层次的抽象，它代表了一类对象：苹果，在这种情况下。

深度学习

这种高级抽象的自然出现是机器学习技术中最激动人心的结果之一，称为  深度神经网络，在某种意义上，它与人类大脑的工作方式类似  。“深度”来自网络中的许多层 - 随着信息更深入到网络中，发现的共性变得更加抽象。通过这种方式，当输入类似于之前的输入时，使用强烈活动的元素创建网络。最抽象的东西出现在最深层 - 这些是猫，脸和苹果而不是垂直线或圆圈。

当AI系统可以识别苹果时，您可以使用它来计算有多少苹果。那很好，但是你或我不会算苹果的数量。我们有一个非常深刻的“数字”概念 - 有多少东西。当物体存在时，我们大脑的某些部分会根据存在的物体数量而激活。这意味着我们可以看一堆苹果，并知道有四个苹果没有实际计算每一个。

事实上，许多动物也可以做到这一点。这是因为这种数字感是很多不同情况下生存和繁殖的有用特征 - 例如判断对手或猎物群体的大小。

紧急属性

在这项新研究中，为简单视觉对象检测而训练的深度神经网络  自发地产生了这种数字感。研究人员发现，网络中的特定单位突然“调整”为抽象数字 - 就像大脑中的真实神经元可能会做出反应一样。它意识到四张苹果的图片类似于四只猫的图片 - 因为它们共有“四个”。

这项研究的一个令人兴奋的事情是，它表明我们目前的学习原则是非常基础的。人们和动物所展示的一些最高层次的思考方式与世界结构以及我们的视觉体验密切相关。

它还暗示我们可能正在走上正确的轨道，以实现更全面的人类级人工智能。将这种学习应用于其他任务 - 可能将其应用于在一段时间内发生的信号而不是图像中的像素 - 可以产生具有更像人类特质的机器。我们曾经认为对于人类而言至关重要的事情 -   例如音乐节奏，甚至是  因果关系  - 现在正在从这个新视角进行审视。

随着我们不断发现更多关于构建人工学习技术，并找到了解生物体大脑的新方法，我们解开了更多智能，适应性行为的奥秘。

还有很长的路要走，以及我们需要探索的许多其他方面，但很明显，从经验中看世界并从中得出结构的能力是人类如此适应的关键部分。毫无疑问，它将是任何人工智能系统的必要组成部分，它有可能执行人类可以完成的任务的多样性和复杂性。