巴甫洛夫在实验中创造，如果在喂食过程中供应另一种刺激，例如铃铛或节拍器的声音，使狗将这两种体验联系起来，那它只听到声音就会流口水。两个不干系的事宜配对在一起的重复关联可产生学习反应，也便是条件反射。
大多数AI系统中利用的神经网络在学习过程中常日须要大量数据示例，比如演习模型可靠地识别出猫，可能须要多达10000张猫/非猫图像，造成打算和处理本钱居高不下。
关联单子学习元素（AMLE）不是依赖神经网络青睐的反向传播来“微调”结果，而是利用一种影象材料来学习模式，将数据集中的相似特色关联在一起，以模拟巴甫洛夫在案例中不雅观察到的条件反射的“比赛”。
在测试中，仅用5对图像演习后，AMLE就可精确识别猫/非猫图像。
与传统电子芯片比较，新型光学芯片具有相称可不雅观的性能，这归因于设计上的两个关键差异：一种独特的网络架构，将遐想学习作为构建块，而不是利用神经元和神经网络；利用“波分复用”在单个通道上发送不同波长的多个光旗子暗记，以提高打算速率。
该设备自然地捕捉数据集中的相似性，同时利用光并行以提高整体打算速率，这远远超过了传统电子芯片的能力。
研究职员表示，遐想学习方法可作为神经网络的补充，而不是取代它们。对付不须要对数据集中高度繁芜的特色进行大量剖析的问题，它更有效。许多学习任务都是基于数量的，繁芜程度并不高。在这些情形下，遐想学习可更快地完成任务，并且打算本钱更低。
【总编辑圈点】
巴甫洛夫的狗，一个经典实验。巴甫洛夫让狗把摇铃和食品建立联系，让它们在听到声音时，纵然见不到食品，也能流下口水。只要演习得当，就能在相关的事物之间建立联系。这种建立联系的过程，实在也是一种广义的“学习”。面对机器，科研职员也一贯在探索如何实现小样本学习。本文先容了一种光学处理器，可将数据集中的相似特色关联到一起，从而能更快地处理机器学习算法。看，纵然是演习人工智能，也可以从生理学等学科中找到灵感和解法。
来源： 科技日报