人工智能（AI）可以像人類孩子一樣，通過觀察環境、與周圍的環境互動了周世界嗎？關于這個問題，我們已經展開了許多的認知心理實驗，研究者發現了人類和電腦在觀察圖像時有一些重要的不同點。

　　研究者首先要測試人類和電腦視覺的局限性，檢查兩者識別物體（比如飛機、鷹、馬、汽車、眼鏡）局部圖像或者模糊圖像的能力。一點也不意外，人類大腦在識別細小圖像方面比電腦強很多，當圖像變小、變得難以識別時也是一樣的。研究結果還為我們了解神奇的人類視覺打開了一條通道，它還暗示我們可以改進計算機算法，讓人工智能像孩子一樣去理解世界。

　　“研究顯示，與當前的模型相比，人類識別的能力是不同的，表現也更好。”以色列魏茨曼科學研究所計算機科學家ShimonUllman說，“我覺得正是這種差異解釋了為什么當前模型在自動分析復雜場景時不管用，例如，了解圖片中人物動作的細節、理解人與人之間的社交互動?！?/span>

　　Ullman解釋說，人類大腦可以根據已知物體的“構件（BuildingBlock）”特點來識別局部、模糊圖片，電腦視覺模型或者算法卻沒有這樣的能力——它們不懂“構件”知識。

　　研究共邀請了14000人參加，測試了3553張圖片片斷。由于參與者太多，根本不可能將每個人都帶到實驗室。Ullman和同事利用AmazonMechanicalTurk將實驗眾包給線上工作者。研究者在實驗室測試了一小部分自愿者，然后用測試的結果來驗證線上結果。

　　測試發現人類大腦輕松超過了電腦視覺算法。稍作調整卻發現人類大腦和計算機視覺算法在解碼圖像時存在很大的區別。當小小的改變導致圖像太小、太模糊難以識別時，人類識別小圖像的能力迅速下降。人類自愿者識別基本小圖片的成功率為65%，當圖片更小更模糊時，識別概率下降到20%。電腦卻不一樣，總的來說電腦算法的表現比人類糟糕，但是當圖片變小變模糊時，電腦的識別能力不會出現這么大的懸殊。

　　結果說明人類大腦依賴于特定學習和識別機制，這點正是電腦算法所缺乏的。

　　今天的電腦視覺模型采用的是“由下而上”的方法，在識別復雜特點之前先要盡可能過濾圖片最簡單的特點。人類視覺不同，它并不依賴于“由下而上”的方法。人類大腦采用的是“由下而上”的方法，它會將特定物體的標準模型與需要識別的物體進行對比。

　　“也就是說，大腦會將每個物體類型的模型存儲到大腦中，然后利用內部模型來確認圖像，它會尋找具體特征和特征之間的關系，從而識別圖片中的具體物件到底是什么。”Ullman解釋說，“由下而上和由上而下兩種處理方式相互作用，我們就可以感知到更豐富的細節。”

　　受到人類“由上而下”認知方式的啟發，新的電腦模型和算法也許可以通過觀察更好地理解世界。為了達到這個目標，Ullman的研發項目“數字寶寶”（DigitalBaby）獲得了一些投資。最終Ullman希望能開發出更強大的人工智能，它誕生時對世界一無所知，但通過視覺和互動可以提高學習能力。和孩子一樣，最開始時他們對世界也是一無所知的，但是通過吸收信息他們對世界形成了豐富的認知。