�[db:标签]铁[db:标签]��院士:向生物学学习，开启模式识别的新突破

2017-05-18

当人们观察事物或现象时，他们经常把相似但不相同的事物或现象归为一类。例如，一个数字有不同的书写风格。对一个人来说，虽然他没有见过某一种写作风格，但大脑可以自动识别这个词。

虽然这种模式识别行为长期以来为人们所共有，但在中国科学院院士谭铁牛看来，这是人类最重要的智能行为。另一方面，机器模式识别能力在很大程度上反映了机器智能的人性化程度，成为人工智能的核心内容之一。

事实上，在过去的几十年里，机器模式识别取得了很大的进步，并成功地应用于特定的领域。然而，与生物系统相比，现有的模式识别方法仍然存在明显的不足。

“目前，一些面向任务的模式识别取得了突破性进展，有些性能已经与人类相当。”谭铁牛说，“但是通用模式识别系统还有很长的路要走。机器模式识别的瓶颈主要集中在三个方面:鲁棒性差、适应性差和泛化能力差

一般来说，当前的模式识别技术不是“真实的”。例如，当遇到局部变形、光照变化、遮挡、混乱的背景、比例变化和其他干扰时，很容易出错。这种机器不会从其他例子中得出推论，也不会像人类一样绕过类似的情况，而是会进行大规模的训练。

在谭铁牛看来，这些瓶颈的突破仍然需要在自然界中找到。“向生物学学习和发展生物启发模式识别有望在模式识别理论和方法上实现新的突破，实现不同任务的无缝切换、对环境的自主适应、知识的简明提取等目标。”

他提出的生物启发模式识别是借鉴生物模式识别系统，充分借鉴脑科学、认知科学乃至心理学的先进成果，突破现有理论和方法的固有局限性，实现模式识别理论和方法的创新。

例如，在谭铁牛等人的一篇论文中，研究人员受人脑长时和短时记忆的启发，提出了一种多模态记忆网络。通过引入注意和记忆机制模块，他们建立了具有时间依赖关系的多模态长序列模型，并将其应用于视频描述生成和智能对话等领域。

例如，人类可以将一些知识或技能转移到另一个类似的领域。在现有知识的帮助下，新的学习任务只需要很少的训练就能取得好的效果。这种迁移学习能力也引起了模式识别领域学者的关注。科学家试图模仿生物学习方法，从熟悉的领域到不熟悉的领域，建立一个跨领域和跨模态的迁移学习模型，并充分利用大量旧的标记样本和少量当前的标记数据来训练新的模型和解决新的问题。“简而言之，模式识别是智能时代的关键使能技术。”最后，谭铁牛说，“从生物系统中学习和进行生物启发的模式识别研究具有非常广阔的创新空间和发展前景。”

作者:丁甲[责任编辑:卢瑞光]

在不久的将来，智慧生命必将完全进入我们的生活。有兴趣进入未来前沿产业的朋友可以收集智能生活，及时获取前沿信息和人工智能、大数据、云计算和物联网的基础知识，让我们携手引领人工智能的未来！