比深度学习更可靠的的ART

常见的深度学习程序只能在某项任务中表现良好，技术的应用仅限于严格控制的环境中的特定任务。更重要的是，有些人认为深度学习是不可信的，因为它是无法解释的，不适合某些应用程序，因为它会有灾难性的遗忘问题。换句话说，即使算法真的有效，我们也无法理解原因。在深度学习慢慢学习新数据库的过程中，我们可能不知道哪些记忆突然丢失。因此，在任何与人类生命有关的应用中使用深度学习都是有风险的。例如，医疗应用程序。

Grosberg根据几十年的认知和神经研究提出的另一种生物和人工智能模型。他称这个模型为自适应共振理论。

Grosberg是波士顿大学认知与神经系统、数学与统计、心理与脑科学与生物医学工程的教授。ART是基于他关于如何处理大脑信息的理论。

我们的大脑学会了如何在一个充满事故的世界里识别和预测物体和事件，他说

基于大脑的这种行为，ART使用监督学习和非监督学习来解决模式识别和预测的问题。一些大型应用包括基于声纳和雷达信号分类、睡眠呼吸暂停检测、推荐电影和基于计算机视觉的驾驶辅助软件等基于该理论的算法。

Grossberg说，ART可以放心使用，因为它可以解释，没有灾难性的遗忘问题。他补充说，ART解决了稳定性-可塑性困境，即如何独立快速地学习大脑或其他学习系统（可塑性），没有灾难性的遗忘问题（稳定性）。

Grosberg于1976年建立了ART。他是人工智能建模的先驱，波士顿大学自适应系统中心的创始人和主任，以及教育、科技学习中心的创始领导这两个中心都在研究大脑的适应性和学习方法，并根据他们的发现开发技术应用程序。

鉴于Grosberg为理解大脑的认知和行为，并通过技术模拟这种认知和行为做出的贡献，Grosberg于2017年获得了IEEEE弗兰克·罗森布拉特(FrankRosenblatt)奖。

Grossberg在书中解释了我们称之为大脑的小肉是如何产生思想、感觉、希望、情感和计划的。特别是，他描述了生物神经模型，旨在解释这。这本书还涵盖了老年痴呆症、自闭症、健忘症和创伤后应激障碍的根本原因。

他在书中写道：对于智能系统（包括人工智能和智能机器人）包括人工智能和智能机器人）在设计计算机科学、工程和技术领域非常重要。本书根据多个工程和技术应用程序总结了一套生物启发算法，许多公司已经应用了该算法。

他说，书中的理论不仅有助于理解大脑，还可以应用于智能系统的设计，可以独立适应不断变化的世界。这本书描述了人类智力、独立性和多才多艺的基础。