DeepMind著手指導AI對關係網路進行推理

至頂網軟體頻道消息：邏輯思維與更改思考能力無疑是實現智能的關鍵。而如果能夠在機器當中複製這種能力，則將使得AI變得更加聰明。

但這一問題實現難度極大，特別是考慮到目前的深度學習方法還不夠先進。深度學習在處理信息方面較為擅長，但卻難以解決推理類任務。

這時出現了新的突破方向：關係網路，簡稱RN。

根據Alphabet公司旗下英國AI事業部DeepMind發布的最新論文，其正在嘗試將關係網路引入卷積神經網路與經常性神經網路，從而推動這些在傳統上負責實現計算機視覺與自然語言處理的機器獲得推理能力。

DeepMind的一位發言人在接受採訪時解釋稱，「並不是說深度學習不適合處理推理任務——更為確切地講，實際上是不存在正確的深度學習架構或者模塊以實現一般性關係推理。舉例來說，卷積神經網路在理解本地空間結構方面擁有無與倫比的表現——這也是其被大量應用於圖像識別模型中的理由，但其可能在其它推理任務當中遇到障礙。」

關係網路被描述為「即插即用」模塊。其架構的設計方式專門用以確保網路能夠專註於各對象之間的關係。其在一定程度上類似於圖形網路，其中的節點即為各個對象，而連接節點的邊界則為不同對象間的關係。

在CLEVR數據集中，這套網路將面對出數個具有不同形狀、大小與紋理的對象，同時需要解答一系列用於測試其視覺推理能力的問題：

利用多種不同神經網路組件解決單一任務（圖片來源：Santoro等）

為了回答以上關係問題，關係網路必須將所有對象的大小與「棕色金屬物體」進行比較，且僅考慮圓柱體情況。首先，卷積神經網路會識別場景中的對象，而後利用一套長短期記憶網路將問題交付至關係網路當中。

問題當中嵌入的辭彙允許關係網路專註於特定相關對象對，並計算其關係以提供答案。這是一種非常睿智的處理方式，允許利用單一功能解決每種關係。研究人員無需專為查看對象的大小與形狀編寫具體函數。這意味著關係網路能夠更加高效地實現數據處理。

DeepMind在一篇博文當中解釋稱，「利用行業頂尖標準視覺問題回答架構對CLEVR進行處理，其能夠得出68.5%的正確率，相比之下人類的識別準確率為92.5%。不過我們的關係網路增強型方案則帶來了超越人類的95.5%的正確率水平。」

DeepMind在論文中同時指出，「我們預計，關係網路將為靈活的關係推理提供更為強大的支持性機制，從而幫助卷積神經網路更加專註於處理本地空間結構。這種在處理與推理層面的差異性非常重要。」

關係網路亦在語言推理方面表現出光明的發展前景。由Faebook公司AI研究團隊推廣的bABI數據集包含20項涉及重複內容、歸納與計數能力評估的問答任務。

首先其會提出一些事實，例如「Sandra拿起足球」以及「Sandra前往辦公室」，而後再提出「足球在哪裡？」等問題。關係網路通過了20項任務中的18項，這一表現遠超以往Facebook與DeepMind所使用的可微分神經計算機記憶網路。

而未能通過的兩項bAbI任務確實更加複雜，其要求關係網路分別參考「兩項支持事實」與「三項支持事實」。這一結果顯示，提升機器智能當中推理原理的工作仍然面對著漫長的前進道路。

必須承認目前研究尚處於早期階段，而DeepMind希望能夠將關係網路應用於多種不同問題，例如社交網路建模以及解決更為抽象的實際問題。

為了使其更加強大，DeepMind團隊還希望能夠進一步提升其計算效率。目前其測試對象支持數量為100個，但在配合更好的硬體時，其將能夠支持更多對象並引入更多並行計算機制。

這項研究受到象徵性AI設計思路的啟發——在上世紀八十年代之前，學界一直堅持象徵性思路，認為知識應能夠被明確表示為事實與規則。

DeepMind資深研究科學家兼英國帝國理工學院教授Murray Shartahan認為，象徵性AI的研究工作很有可能再度復甦。

Shanahan在接受採訪時指出，「我認為機器學習社區長期以來對於這種作法較為忽視，即將符號AI思維引入神經網路架構，但仍有一部分研究人員多年來一直在追尋相關解決方案。近來，這種思路再次獲得關注。儘管尚處於起步階段，但這種構想確實很有希望。」

在實現整體智能這一難題的過程當中，推理無疑是機器必須掌握的其中一大重要組成部分。除此之外，我們還面臨著另一些尚未得到解決的難題——包括記憶、注意力與自主判斷等等。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！