زمانی که هوش مصنوعی برنامه‌ریزی شده باشد تا از تکنیک‌های بسیار سریع‌تری برای یادگیری موضوعات جدید استفاده کند، می‌تواند عملکردی شبیه به هوش انسانی داشته باشد. در مقاله‌ای در مجله Frontiers in Computational Neuroscience، ماکسیمیلیان ریزنهابر دکترای علوم اعصاب از مرکز پزشکی دانشگاه جورج تاون و جوشوا رول دانشمند فوق دکترا در دانشگاه برکلی، توضیح می‌دهند که چگونه این رویکرد جدید، به سرعت توانایی نرم‌افزار‌های هوش مصنوعی را بهبود می‌بخشند تا مفاهیم بصری جدید را یاد بگیرید.
ریزنهابر می‌گوید: “مدل ما از نظر بیولوژیکی راهی قابل قبول برای شبکه‌های عصبی مصنوعی برای یادگیری مفاهیم بصری جدید ارائه می‌کند و با استفاده از تعداد کمی مثال امکان یادگیری را فراهم می‌کند. ما می‌توانیم با استفاده از روشی که فکر می‌کنیم روال طبیعی کاری مغز است، رایانه‌ها را به وسیله چند مثال ساده بسیار بهتر آموزش دهیم.”
ریزنهابر توضیح می‌دهد: “انسان‌ها می‌توانند به سرعت و با دقت مفاهیم تصویری جدیدی را که از داده‌های پراکنده دریافت می‌کنند بیاموزند. حتی کودکان نیز به راحتی می‌توانند گورخر را تشخیص دهند و آنها را از گربه‌ها، اسب‌ها و زرافه‌ها متمایز کنند، اما رایانه‌ها معمولاً باید نمونه‌های بسیاری از یک شی را ببینند تا یاد بگیرند که آن چیست.”
ریزنهابر می‌گوید: “تغییر بزرگ مورد نیاز در طراحی نرم افزار، شناسایی روابط بین کل دسته‌های بصری بود. به جای اینکه رویکرد شناسایی یک شی فقط با استفاده از اطلاعاتی مانند شکل و رنگ انجام شود، روابط بین کل دسته‌ها شناسایی می‌شود.” وی ادامه می‌دهد که: “قدرت محاسباتی سلسله مراتب مغز در پتانسیل ساده یادگیری با استفاده از بازنمایی داده‌های قبلاً آموخته شده است.” محققان دریافتند که شبکه‌های عصبی مصنوعی مفاهیم بصری جدید را به طور چشمگیری سریع‌تر فرا می‌گیرند.
رول توضیح می‌دهد: “به جای یادگیری مفاهیم از نظر ویژگی‌های بصری، رویکرد ما داده‌ها را از نظر سایر مفاهیم توضیح می‌دهد. مانند این که بگوییم یک پلاتیپوس کمی شبیه به اردک و یک سمور دریایی است.” معماری مغز که زیربنای یادگیری مفهوم بصری انسان را تشکیل می‌دهد، بر پایه شبکه‌های عصبی درگیر در شناسایی شی ساخته می‌شود. تصور می‌شود که لوب قدامی مغز مسئول نمایش‌های انتزاعی فراتر از شکل است. این سلسله مراتب عصبی پیچیده برای تشخیص بصری به انسان امکان یادگیری وظایف جدید و مهمتر از آن استفاده از داده‌های قبلی را می‌دهد.
ریزنهابر می‌گوید: با استفاده مجدد از مفاهیم ، شما می‌توانید راحت تر مفاهیم و معنای داده‌های جدید را بیاموزید، مانند این که گورخر نوعی اسب است که پوششی نواری دارد.
دانشمندان می‌گویند : علی رغم پیشرفت هوش مصنوعی ، سیستم بینایی انسان هنوز از نظر توانایی تعمیم چند نمونه ، مقابله با تغییرات تصویر و درک صحنه‌ها، بسیار پیشرفته‌تر از قویترین سیستم هوش مصنوعی است.
