两位神经科学家说，基于计算机的人工智能在被编程为使用更快的技术来学习新物体时，其功能更像人类的人工智能，他们设计了这种模型以反映人类的视觉学习。

在《计算神经科学前沿》杂志中，乔治敦大学医学中心神经科学教授马克西米利安·里森胡伯(Maximilian Riesenhuber)博士和加州大学伯克利分校的博士后学者约书亚·鲁尔(Joshua Rule)博士解释了这种新方法如何极大地改善了这种方法。 AI软件快速学习新视觉概念的能力。

Riesenhuber说：“我们的模型为人工神经网络提供了一种生物学上可行的方法，可以从少量示例中学习新的视觉概念。” “我们可以利用以前的学习方法，以我们认为能够反映大脑活动的方式，使计算机从很少的例子中学习得更好。”

人类可以从稀疏数据中快速而准确地学习新的视觉概念，有时仅仅是一个例子。甚至三至四个月大的婴儿也可以轻松学会识别斑马，并将其与猫，马和长颈鹿区分开。Riesenhuber解释说，但是计算机通常需要“查看”同一对象的许多示例才能知道它是什么。

Riesenhuber说，最大的变化是设计软件来识别整个视觉类别之间的关系，而不是尝试仅使用低级和中间信息(例如形状和颜色)来识别物体的更标准方法。

他说：“大脑层次结构的计算能力在于，它可以利用数据库中以前学习的表示法来简化学习，因为它代表了对象的全部概念。”

Riesenhuber和Rule发现，以以前学习的概念表示对象的人工神经网络可以更快地学习新的视觉概念。

Rule解释说：“我们的方法不是从低级视觉特征上学习高级概念，而是从其他高级概念上进行解释。这就像说鸭嘴兽看起来有点像鸭子，海狸，和海獭。”

人类视觉概念学习的基础大脑结构建立在涉及对象识别的神经网络上。人们认为大脑前颞叶包含超出形状的“抽象”概念表示。这些用于视觉识别的复杂神经层次结构使人们可以学习新任务，并且至关重要的是，可以利用先前的学习方法。

Riesenhuber说：“通过重用这些概念，您可以更轻松地学习新概念，新含义，例如，斑马就是不同条纹的马。”

科学家们说，尽管人工智能技术取得了进步，但人类视觉系统仍然是从几个例子进行概括，强大地处理图像变化和理解场景的能力的黄金标准。

Riesenhuber总结说：“我们的发现不仅提出了可以帮助计算机更快更有效地学习的技术，还可以促进旨在了解人们如何如此迅速地学习的神经科学实验，而这还没有被很好地理解。”