ntext="Article" data-image-id="2126036" data-caption="Just do as it does" data-credit="PR Michel Zanca, ISM /Science Photo Library" />

人工智能正在从真正的专家那里获得图像识别技巧：人类大脑。

使用fMRI大脑活动扫描作为训练工具，可以提高机器学习算法识别对象的能力。该技术可以改善面部识别系统或帮助自动驾驶汽车更好地了解其周围环境。

哈佛大学的戴维·考克斯（David Cox）说，在诸如对象识别之类的任务方面，机器学习仍然落后于人类。因此，他的小组训练算法来处理图像，就像我们一样。

他们分析了大脑视觉皮层的区域如何响应包含四种不同类型物体的图像：人类，动物，建筑物和食物。数据来自一名志愿者，他查看了1200多个图像，而fMRI机器测量了他们的大脑反应。

不同的物体具有自己的相应的大脑活动模式，信号的强度表明每个图像很难分类。

团队使用此信息来训练其机器学习算法。如果算法在“简单”图像上犯了一个错误，那么它比在“困难”图像上犯错的更严重的惩罚。该反馈本质上告诉系统，该系统应基于哪些分类以最大程度地减少错误。结果，它在容易被大脑识别的图像上表现更好，以更类似人类的方式有效做出决策（arxiv.org/abs/1703.05463）。

印第安纳州圣母大学的团队成员Walter Scheirer说，使用fMRI数据培训基本的图像分类器将其准确性提高了10％至30％。他说，该方法可以允许相对基本的机器学习模型接近最先进的神经网络的准确性。

考克斯说，以与我们相似的方式做出决定的算法也可以更容易理解和信任。计算机系统有时会犯错误，就像特斯拉的自动驾驶系统无法在明亮的天空下注意到白色拖车。接受大脑数据训练的系统将以更人性化的方式造成错误。考克斯说：“如果您犯了人类会犯的错误，人类将继续相信该系统。”

“这些是初步的结果，但它们给人留下了深刻的印象，他们建议这是一项新的工作，可能确实是富有成果的，”查尔斯顿南卡罗来纳州医科大学的托马斯·纳塞拉里斯（Thomas Naselaris）说。

接下来，研究人员将研究大鼠大脑中的细胞对不同图像的反应。希望是，了解大脑在此级别的工作方式可能会导致更紧密地模仿人类决策的系统。考克斯说：“真正令人兴奋的东西将来自查看单个单元格的连接方式以及它们如何射击的细节细节。”

本文以标题为“脑扫描辅助机，看到更多像我们”的标题上。