新智元启动新一轮大招聘：COO、执行总编、主编、高级编译、主笔、运营总监、客户经理、咨询总监、行政助理等 9 大岗位全面开放。

　　简历投递：j[email protected]

　　HR 微信：13552313024

　　新智元为COO和执行总编提供最高超百万的年薪激励；为骨干员工提供最完整的培训体系、高于业界平均水平的工资和奖金。

　　加盟新智元，与人工智能业界领袖携手改变世界。

　　【新智元导读】神经网络在图像中的物体识别上准确率做到75%，这是来自芬兰的一群研究员在NIPS2016 上公布的最新成果。他们使用的核心概念是“感知分组” （Perceptual Grouping），把感知到的表征信息进行分组，然后学习，整个神经网络会被复制4次，系统会对每一个复制的神经网络层进行学习。研究人员称：这是一项具有革命意义的研究，atv，因为它把无监督学习的实现又向前推了一步。被称为RNN 之父的人工智能“无冕之王”的Jürgen Schmidhuber 是论文作者之一。

　　英国媒体 ibtimes 12 月 5 日报道，来自芬兰的计算机科学家最近在人工智能上取得了一项突破：使用神经生物学的方法，他们的深度学习神经网络在无监督的条件下物体识别准确率达到了75.1%。

　　ibtimes 称，作为对比，传统的神经网络在无监督的情况下，准确率只能做到21%，比随机概率只好了1%。随机概率的意思是——随便乱猜。

　　目前的神经网络存在一个问题——要求有大量的输入，以及人为的训练，这样它们才能理解如何解决难题，比如，通过学习 ImageNet 数据库。这就是所谓的“监督学习”的方法。但是，如果系统一直需要人为的监督和协助，真正的人工智能就无法实现。

　　这项研究成果属于位于芬兰的初创公司 Curious AI 与瑞士人工智能研究所（IDSIA)，并在NIPS 2016 上发表，atv，查看论文，我们在作者栏里看到了一个熟悉的名字——被称为RNN之父的 Jürgen Schmidhuber。

　　论文标题：Tagger: Deep Unsupervised Perceptual Grouping

　　作者：Klaus Greff, Antti Rasmus, Mathias Berglund, Tele Hotloo Hao,Jürgen Schmidhuber, Harri Valpola

　　【摘要】我们提出了一个有效的感知推理，它能明确地对输入和特征中的分割进行推论。我们的框架是以一种无监督方法或者有时会附加任意监督任务，来对分组过程进行学习，这与此前的为特定分区进行专门训练有很大的不同。我们让一个神经网络通过可微分机制，以迭代的方式将不同的物体表征进行分组。我们通过允许系统对各个分组和其中的表征的联合迭代推理进行分批次处理，实现了非常快速地收敛。与最近提出的一些用于解决多物体识别的方法不同，我们的系统不把输入看作是图像，因此能够直接处理其他的输入形态。我们使用多数位分类来评估方法，这种分类包含了非常复杂的图像，因而需要纹理分割的。通过使用分组机制，我们的方法提高了卷积网络的分类性能，尽管网络是被完全连接的。此外，我们还观察到，我们的系统大大改进了我们的数据集上的基础的阶梯网络的半监督结果。这些结果证明，分组是一种强大的工具，能够帮助提高抽样效率。

　　无监督学习

　　Curious AI 的 CTO Antti Rasmus 说：“基于物体形成概念对于人类是自然而然的，所以我们很少会去思考其原理。这在心理学中称为 Gestalt 原则。人类大脑会对具有相似的形状，颜色，动作，模式的物体进行分组。我们的研究迈出了第一步，与人类大脑的运作相似，我们让深度学习系统以同样的方式对物体进行分组。”

　　在神经科学中，有一个概念叫“概率编码”（rate coding），指的是，在大脑中神经元激活的概率越高，特定神经元中的活动率也就越大。神经元会持续被激活，20世纪80年代，科学家意识到，大脑中的神经元会自己组成小组，不同的组合代表不同信息。