千脑系统：用于快速稳健学习与推理的传感器运动智能

当前的人工智能系统在许多任务上取得了惊人的性能，但仍缺乏生物智能的核心属性，包括快速持续学习、以感知运动互动为基础的表征，以及能够实现高效泛化的结构化知识。神经科学理论表明，哺乳动物通过复制半独立的感知运动模块——即皮层柱——的功能单元来实现灵活的智能。为弥合生物智能与人工智能之间的差距，提出了千脑系统作为模拟皮层柱及其相互作用的架构。本文评估了 Monty——首个千脑系统实现的独特属性。我们关注 3D 对象感知，特别是对象识别与姿态估计的联合任务。利用居家对象 YCB 数据集，我们首先评估 Monty 使用感知运动学习构建结构化表征的能力，发现这些表征能够实现稳健的泛化。这些表征包括对对象全局形状进行分类的侧重，以及自然检测对象对称性的能力。随后，我们探讨 Monty 使用无模型与有模型策略以支持原则运动实现快速推断。我们发现，这些策略补充了 Monty 的模块化架构，这种设计可以通过一种新颖的“投票”算法来进一步加速推断速度。最后，我们检查 Monty 使用关联的、类 Hebbian 的绑定机制以实现快速、持续且计算高效的学习，相关性优于当前的深度学习架构。尽管 Monty 仍处于开发的初级阶段，但这些发现支持千脑系统作为一种强大且前景广阔的新型人工智能方法。