学少儿编程的学校有哪些

学少儿编程的学校有哪些

另外，目前神经网络训练大多是被动地接收单一维度的信息，比如就看某个角度的图片。而人类学习新的类别往往是一个主动参与的过程，可以从不同角度观察，可以感觉质地、重量、听到敲打它的声音，等等。这样的互动形式能获取更加丰富的多模态的输入信息，从而加快学习。

你曾研究发现，由于缺乏连续学习能力和情境依赖学习能力，深度神经网络与大脑相比存在很大差距，请问为何深度神经网络会难以在学习新知识的同时保留旧知识，而人脑却不会出现这种情况？

神经网络学习到的知识是分布式地保存在网络权重中。在学习新任务时，需要进行网络权重的调整，这个过程可能“抹去”原来学会的知识，就会出现“灾难性遗忘”问题。

人脑则可能有一系列的办法来缓解这个问题。比如神经科学家通过实验发现，人类学习一个任务后，对于这个任务比较重要的权重会被“保护”起来，后续学习不再进行调整。另外，大脑可能记住了旧任务的训练样本，可以通过“复习”来克服遗忘。这些机制曾启发了一系列的连续学习算法。但是我们目前对于大脑克服“灾难性遗忘”的机制了解才刚刚开始，还有很多未知。

人类的情境依赖学习能力又是从何而来？是如何能对实际环境中存在情境信息（比如自身状态、环境变化等）做出灵活的响应。

人类的情境化信息处理能力依赖于前额叶皮层，这一脑区接收丰富的内外环境信号输入，可以根据当前的情境，灵活地调控从感觉输入到运动反应的映射，从而指挥我们“随机应变”。

为何自动驾驶车辆会识别不出横穿马路的行人？

人工智能界的一大难题是算法的不可解释性，你认为类脑研究是否也存在这一“不可解释性”难题？如何解决？

很多时候我们所说的“理解”依赖于一系列的概念和他们之间的逻辑关系，这些概念在我们脑内有明确的表征。所有人都建立类似的概念和逻辑结构，我们就可以通过语言向他人“解释”当前脑中正在执行的某些计算。

增加人工智能算法可解释性，就需要发展新的网络架构和训练方式，在网络中加入概念、逻辑的表征，而且这些概念和逻辑与我们人类所理解的有对应关系，这样才有可能以人能理解的方式解释算法运行的结果。

同时，我们也应该注意到，并不是所有的复杂计算都是可解释的，人类自身的很多行为，比如知觉、运动技能常常也不可解释，甚至高等认知功能，比如抉择，都不是完全可解释的，这往往被称为”直觉”。对此心理学、认知科学已经有大量证据。所以，我认为深入研究大脑计算可解释性的机制及其边界，能够对于人工智能的可解释性带来重要启发。