雷鋒網消息 Google旗下的DeepMind最近開發出了一種用于關系推理的人工神經網絡，縮小了人工智能與人類在關系推理方面的差距。
你正考慮入手的房子附近有多少個公園？某家餐廳最好的晚餐和紅酒搭配是什么？這些日常問題都需要用到關系推理。關系推理是高級思維的重要組成部分，而AI目前還難以掌握。不過， DeepMind的研究人員已經開發出了一種簡單算法來進行關系推理，而且該算法已經在復雜圖像的理解測試中擊敗了人類。
關系推理是一種運用邏輯，聯系和比較位置、順序以及其他實體的思維過程。人類通常十分擅長關系推理，但人工智能的兩種主要模式——基于統計和基于符號計算的算法，在開發類似能力時進展十分緩慢。基于統計的AI算法——或者說機器學習——在圖像識別領域表現十分出色，但它并沒有運用到邏輯能力。基于符號計算的AI算法可以使用預定的規則進行關系推理，但在學習能力方面表現不佳。
神經網絡的結構與神經元在大腦中的連接方式相似。它將簡單的程序組合在一起，彼此協同，分析數據間的關系和規律。針對處理圖像、分析語言和學習游戲等不同用途，神經網絡具有不同的專門架構。DeepMind開發出了全新的關系網絡，以分析比較某一特定場景中的每一組對象。DeepMind在倫敦的計算機科學家Timothy Lillicrap表示：“我們的目的很明確，就是推動該網絡發現物體間存在的關系”。
Timothy和他的團隊讓該網絡挑戰了幾項任務，以測試其效力。第一項任務是分析某張圖片中幾個物體——比如立方體、球和圓柱體間的關系。測試人員會向該網絡提問，比如：藍色的物體前面的物體，和灰色金屬球右邊的微小青色物體形狀是否相同。據雷鋒網了解，為完成這一任務，關系網絡結合了其他兩種神經網絡的能力：一種用于識別圖片中的物體，另一種用于理解測試人員的提問。根據研究人員上周發表的一篇報告（論文下載）：在一系列測試中，其他機器學習算法的正確率只有42%-77%，人類的正確率可達到92%，而該關系網絡的正確率高達96%，已經超越了人類。
DeepMind團隊還用該網絡挑戰了基于語言的任務。測試中，該網絡首先會接收到一些語句，比如“Sandra撿起足球”“ Sandra去辦公室”。然后測試人員向其提問“足球在哪里”。在回答大多數問題時，該算法與其競爭算法表現相當，不過它在處理“Lily是一只天鵝，Lily是白色的，Greg也是一只天鵝，那么Greg是什么顏色”之類的推理問題時表現更加出色。面對類似問題時，該算法的正確率高達98%，而其他算法的正確率只有45%。最后，研究團隊還讓該算法分析了一段動畫，動畫中有十個球彈來彈去，其中一些球通過不可見的彈簧或杠桿連接在一起。僅僅通過運動軌跡，該算法就能準確判斷90%的連接。研究人員還通過這種方式訓練該算法識別用移動的點代替的人群。
波士頓大學計算機科學家凱特·桑科（Kate Saenko）并沒有參與這該算法的開發，但他聯合開發了另一個能夠回答關于圖像的復雜問題的算法。桑科表示，該算法的優勢之一就是它在概念上非常簡單。該算法取得的進步主要歸功于一個方程式，后者允許該算法與其他網絡相結合，正如它在完成比較物體的任務中所做的那樣。研究人員發表的報告中稱該算法為“一個簡單的即插即用模塊”，它可以讓系統中的其他部分專注于它們各自擅長的領域。
加利福尼亞州斯坦福大學的計算機科學家賈斯汀·約翰遜（Justin Johnson）共同參與了第一項測試任務的設計，同時他也聯合開發了一種在該任務中表現出色的算法。他說道：“測試結果令我影響深刻。” 桑科則補充道：“未來關系網絡可以幫助學習社交網絡，分析監控畫面，或者控制自動駕駛汽車。”
約翰遜表示，要像人類一樣靈活，該算法還必須學會回答更具挑戰性的問題。要實現這一點，該算法不僅要學會比較兩個物體，還要能比較三個物體，甚至多對物體，或者大集合中的某幾組物體。他說道，“我正致力于開發能擁有自己的策略的模型”。 DeepMind正在開發的是一種特定類型，而非普適性型的關系推理網絡，不過它仍然是人類在前進道路上邁出的重要一步。
via science 雷鋒網編譯
