你考虑购买的新家附近有多少个公园？一家餐厅里的最佳晚餐和酒的搭配是什么？回答这些日常问题需要进行关系推理，这种更高级思维的构成部分对于人工智能（AI）来说很难操控。现在，谷歌公司深度思维子公司（Deepmind）下属的研究人员设计了一个简单的算式来处理类似的逻辑推理——而且它已经在一个复杂成像理解测试中战胜了人类。

人类在关系推理——用逻辑联系和对比位置、序列及其他实体的一种思维——方面通常较为擅长。但AI的两个主要种类——统计和符号发展出类似能力的速度却很缓慢。统计AI或机器学习擅长于模式识别，但却并不擅长使用逻辑。而符号AI能够利用已经决定的规则推理关系，但却不擅长动态学习。

新研究提出了跨越这一沟壑的方法：一种进行关系推理的人工智能神经网络。类似于神经在大脑中连接的方式，神经网络会将微小的程序连在一起，通过协作在数据中寻找模式。它们可以拥有处理图像、剖析语言或者甚至是学习游戏的特别架构。在这种情况下，新的“关系网络”可以被连接以对比各个场景中的每一对物体。“我们正在明确地让这个网络发现事物之间存在的关系。”该论文共同作者、伦敦深度思维分公司计算机学家Timothy Lillicrap说。

他和团队用若干任务验证了它们的关系网络。第一个网络是回答一个单一图像中事物之间的关系，如立方体、球和圆柱。例如：“蓝色物体前有一个物体，它的形状和灰色金属球右边蓝绿色的小物体形状相同吗？”对于这一任务，关系网络可以与另外两种神经网络相结合：一个是识别图像中的物体，另一个是解释问题。在很多图像和问题上，其他机器学习算式的正确率是42%到 77%。人类得分是92%。而新关系网络联合体的正确率是 96%，已经超过了人类的推理分数，研究人员在近日发表于预印本arXiv的文章中报告了这一成果。

深度思维团队还在基于语言的一项任务中测验了该神经网络，其中它会收到诸如“Sandra捡起足球”“Sandra 去办公室”等表述。随后它会收到一些问题，如“足球在哪里？”（办公室）。它在大多数类型的问题上表现得与多数AI算式一项出色，而且在所谓的推理问题方面尤其出色。例如，“Lily是一只天鹅。Lily是白色的。Greg是一只天鹅。Greg是什么颜色的呢？”（白色）。对于此类问题，关系网络得分可达98%，而其竞争者的得分在45%左右。最终，该算式分析了10个球在周围弹跳的动态模式，其中一些球被隐形弹簧或木棒连接在一起。关系网络能够利用这个动态模式，识别90%以上的连接。它随后后同样的训练方法识别移动点及其他为代表的人类形式。

“他们的方法的一个优势是在概念上特别简单。”纽约波士顿大学计算科学家、并未参与此项研究的Kate Saenko说，她也开发了一个能够回答关于图像复杂问题的算式。Lillicrap说，这种简单性——大多数进展被囊括在一个方程式中——使其能够与其他网络相结合，正如在物体比较任务中所做的那样。论文将此称为“一种简单的即插即用模块”，可让该系统的其他部分聚焦其擅长之处。

“我对这些结果感到震撼。”加州斯坦福大学计算机学家Justin Johnson说，他共同开发了物体对比任务。Saenko补充说，神经网络未来有一天将有助研究社会网络、分析监控录像或是指导自动化汽车。

为了获得像人一样的灵活性，Johnson说，它将需要学习回答更多具有挑战性的问题。做到这一点可能不仅需要对比一组事物，而是要有效地对比三个事物、两对事物，或是一个更大集合中的几对事物。“我对开发能够想出其自身策略的模型非常感兴趣。”他说，“深度思维正在建设一种特殊的推理模型，那将不是进行更加普遍意义上的关系推理。但目前它依然是朝着正确方向迈出了极重要的一步。”

文章链接：

Samuel Ritter, et al, "Cognitive Psychology for Deep Neural Networks: A Shape Bias Case Study," arXiv:1706.08606v1

（本文来源：科学网；）

如若转载，请注明e科网。

如果你有好文章想发表or科研成果想展示推广，可以联系我们或免费注册拥有自己的主页