新一代人工智能背景下的拓扑知觉理论与深度学习.docxVIP

?

?

新一代人工智能背景下的拓扑知觉理论与深度学习

?

?

王松伟

摘要：人工智能的核心基础科学问题是认知和计算的关系。拓扑知觉理论是当前极具代表性的一种认知理论，而深度学习是当前人工智能计算实现的主要技术手段。本文对二者的理论和发展历程分别进行了阐述，给出了二者内在联系的一种假设，并提出将深度学习与拓扑知觉理论的结合将有利于人工智能技术和相关认知理论的进一步发展。

关键词：人工智能；拓扑知觉；深度学习

当第一台计算机诞生后，人们就在思考其是否可以拥有类人的智能，进而自主的帮助人们处理常规劳作、自行处理图像语音信息、自动进行医学诊断、实现智能控制以及支持基础科学研究等。在1956年达特茅斯会议上，科学家们首次提出了“人工智能”的术语，距离计算机诞生仅仅才过去十年。自2006年，GeoffreyHinton提出深度信念网络后，世界各国相关领域研究人员和高科技公司对其高度重视，掀起了以“深度学习”为名的新一代人工智能研究热潮，并成为当前国民经济发展的重要推动力量。

想要成为人工智能领域的真正意义上的科学強国，离不开对人工智能的基础研究。通过总结认知科学研究近四十年来的发展经验，人们逐渐认识到，发展新一代人工智能的核心基础科学问题是：认知和计算的关系。

“大范围首先”的拓扑性质知觉理论[1]，是由我国陈霖院士提出的在当前国际上极具代表性的一种认知理论。经过30多年的发展，不仅把这个理论应用到视觉问题，而且成功地应用到注意、记忆、意识乃至情绪等广泛不同认知层次的研究。该理论认为：一、知觉过程是“由大范围性质到局部性质”，在对物体的性质或组成部份进行知觉的分析之前，视觉系统首先取得的是物体的整体性的知觉；只是在随后的阶段，如果需要的话，视觉系统才知觉物体的细节性质。二、所谓整体性的知觉即“知觉组织”，涉及到图形和背景分离、图象分割、分组、伴随出现、相属关系等概念。三、知觉组织应当从变换和变换下的不变性的知觉来理解。一个变换越是一般，这个变换下的不变性质就越是大范围（稳定）。相对于各种几何变换，拓扑变换是最一般的，因此拓扑性质是最稳定、最大范围的不变性质。知觉组织可以用拓扑性质科学描述。四、越是大范围的性质，越早在知觉过程中发生；拓扑性质是最大范围的，因此在知觉过程中“首先”发生。“首先”具有两方面的严格含义：局部几何性质的知觉在因果关系上基于由拓扑性质决定的大范围组织；拓扑性质的知觉在时间先后关系上先于局部几何性质的知觉。

研究任何一种过程，创立任何一种过程的任何科学理论，必须首先回答的一个最基本的问题是：这种过程操作的基本单元是什么？认知科学必须回答的一个最基本的问题是：什么是认知过程操作的基本单元？大量的认知科学实验事实表明，认知基本单元是知觉组织形成的“知觉物体”的表达[1，2，3]。“大范围首先”的拓扑知觉理论提出知觉物体的拓扑学定义，把知觉物体的直觉核心含义，即形状改变下的整体不变性，科学准确地定义为拓扑不变性质，即，拓扑性质。知觉物体拓扑学定义在知觉组织、注意、记忆、学习、数字认知、意识，乃至情绪等各个认知层次得到了广泛的行为实验验证。

早期拓扑知觉对基于局部的计算视觉方法提出了挑战。以连通性这种拓扑性质为例，陈霖院士在《知觉组织的拓扑方法》一文中引用到[1]：“对于二维的R，连通模式的数量会随|R|的增加而指数增加；这意味着对于一定尺寸的R，在一个可接受的训练过程中能使用的训练样本在所有可能样本中所占的比例是很小的。因此，对多层感知机而言，很难想象它能依据相对较少的训练样本进行成功地泛化。”“拓扑计算一直是连接主义所面临的主要困难。”

但也正是早期拓扑知觉对计算视觉方法提出的挑战，导致拓扑性质难以量化、建模，这反过来阻碍了拓扑知觉理论及其相关诸多认知科学理论的进一步深化、丰富。同时，这也是特征捆绑这一计算视觉难题存在的深层原因[4]。

近年来，深度学习算法[5]得到了迅猛的发展。其方法论是：用于描述我们周围世界的概念可以依据其他概念，以一种分层的方式进行定义；由次抽象概念定义的抽象概念位于更高的层次。大致地讲，利用深度学习算法构建不变性特征的过程可以看做是两个步骤的重复。首先提取数据的低级特征，即卷积操作；然后对这些低级特征集进行池化，抛弃细节信息，形成较高级的不变性特征；逐层进行类似的操作，获得不变性不断增强且保持目标身份信息的高级特征。Bengio指出，核方法、流形学习、决策树及早期的神经网络都可以看做是一个浅层的结构，其泛化的能力主要依赖于邻近性；对同一复杂函数进行表征，n-1层结构所需训练的网络连接较n层结构指数增加，因此，深层结构具有更强的泛化能力。而视皮层也是一个深层的结构。

深度学习算法的衍化有两个方面值得注意：其一，深度学习处理的图像正在经历小尺寸到大尺寸的转变，因此很多借鉴视皮层感受野机制的卷