重磅 | DeepMind新神經網路學會關係推理，還擊敗了人類

雷鋒網消息 Google旗下的DeepMind最近開發出了一種用於關係推理的人工神經網路，縮小了人工智慧與人類在關係推理方面的差距。

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麼？這些日常問題都需要用到關係推理。關係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演算法來進行關係推理，而且該演算法已經在複雜圖像的理解測試中擊敗了人類。

關係推理是一種運用邏輯，聯繫和比較位置、順序以及其他實體的思維過程。人類通常十分擅長關係推理，但人工智慧的兩種主要模式——基於統計和基於符號計算的演算法，在開發類似能力時進展十分緩慢。基於統計的AI演算法——或者說機器學習——在圖像識別領域表現十分出色，但它並沒有運用到邏輯能力。基於符號計算的AI演算法可以使用預定的規則進行關係推理，但在學習能力方面表現不佳。

神經網路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，分析數據間的關係和規律。針對處理圖像、分析語言和學習遊戲等不同用途，神經網路具有不同的專門架構。DeepMind開發出了全新的關係網路，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，就是推動該網路發現物體間存在的關係」。

Timothy和他的團隊讓該網路挑戰了幾項任務，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、球和圓柱體間的關係。測試人員會向該網路提問，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，關係網路結合了其他兩種神經網路的能力：一種用於識別圖片中的物體，另一種用於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，其他機器學習演算法的正確率只有42%-77%，人類的正確率可達到92%，而該關係網路的正確率高達96%，已經超越了人類。

DeepMind團隊還用該網路挑戰了基於語言的任務。測試中，該網路首先會接收到一些語句，比如「Sandra撿起足球」「 Sandra去辦公室」。然後測試人員向其提問「足球在哪裡」。在回答大多數問題時，該演算法與其競爭演算法表現相當，不過它在處理「Lily是一隻天鵝，Lily是白色的，Greg也是一隻天鵝，那麼Greg是什麼顏色」之類的推理問題時表現更加出色。面對類似問題時，該演算法的正確率高達98%，而其他演算法的正確率只有45%。最後，研究團隊還讓該演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槓桿連接在一起。僅僅通過運動軌跡，該演算法就能準確判斷90%的連接。研究人員還通過這種方式訓練該演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）並沒有參與這該演算法的開發，但他聯合開發了另一個能夠回答關於圖像的複雜問題的演算法。桑科表示，該演算法的優勢之一就是它在概念上非常簡單。該演算法取得的進步主要歸功於一個方程式，後者允許該演算法與其他網路相結合，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演算法為「一個簡單的即插即用模塊」，它可以讓系統中的其他部分專註於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演算法。他說道：「測試結果令我影響深刻。」 桑科則補充道：「未來關係網路可以幫助學習社交網路，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，該演算法還必須學會回答更具挑戰性的問題。要實現這一點，該演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，「我正致力於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，而非普適性型的關係推理網路，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

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！