讓機器學會關係推理，進一步逼近強人工智慧

AlphaGo和自動駕駛系統都非常的聰明，但它們都沒能突破強人工智慧的極限。而幸運的是，AI科學家正拓寬機器智能的意義。

在戰勝人類的AlphaGo之後，DeepMind的研究人員又開始研發一種新的機器學習方式，並將該研究發表在了本周的《新科學家》上。在兩篇論文中，DeepMind 的科學家解釋了機器學習中關係推理的重要性，因為這是人類智慧基礎的認知能力。

圖丨人類的關係推理能力

簡單地說，關係推理就是判斷不同心理表徵之間的關係；比如物體、單詞或想法之間的關係。這種推理對人類認知發展至關重要，對人類解決問題的能力也至關重要。

在現有的機器學習系統中，大多數系統沒有能力去理解概念之間的關係。例如，視覺系統可以識別圖片中的狗或貓，但它不會知道圖片中的狗在追逐貓。

DeepMind開發的兩個系統則加入了概念理解的能力，通過修改現有的機器學習方法，使機器能夠了解靜態物體之間的物理關係以及隨時間移動的物體行為。

研究人員使用簡單物體的數據集CLEVR來演示了第一個功能。在系統訓練結束後，可以詢問系統某個物體是否在另一個物體之前，或哪一個物體最接近另一個物體。機器學習系統的表現比以往任何同類系統都要好，在某些情況下甚至超過了人類的表現。

圖丨DeepMind論文配圖，機器學習對各項物理系統的預測

在第二篇論文中，研究人員展示了系統預測簡單物體行為的能力。研究人員使用了一個類似的、被修改過的機器學習系統，演示系統如何學習在二維空間中預測簡單物體的行為。

人類通常在三維空間做這樣的實驗，比如抓住一個球或者開車。但心理學實驗表明，當預測動作對物體的影響時，人類大腦會使用「直覺物理」引擎，這比簡單地識別場景中的物體要複雜得多。

雖然論文中的這一進步並不新奇，但卻正是研究人員所需要的。今天的很多機器學習系統都令人印象深刻，但其中大部分其實都只涉及狹義的機器學習任務。因此，如果設計者沒有新的創意，器學習系統就很難像人類一樣進行真正的對話或解決困高難度問題。

圖丨機器的認知表現

研究人類智慧的哈佛大學心理學教授Sam Gershman說，如果我們想讓人工智慧的表現接近我們自己，我們需要考慮的是，模仿人類智慧來設計人工智慧機器。

他說：「我們的大腦以對象，代理（agent）和事件之間的關係代表世界，這種方式在很大程度上限制了我們從數據中得出的推論，使得我們很難學習一些東西，而很容易學習另一些東西。所以在這個意義上，DeepMind是朝著正確方向邁出了一步：模仿人類大腦受到的制約因素，使機器能夠學習那些對於人類來說容易學習的任務。「

然而，Gershman也警告說不要誇大DeepMind工作的意義。他說：「任何特定機器學習任務的超人表現都不意味著超人類的智慧。」

關係推理也只是人類智慧的一個要素。Gershman在他去年發表的一篇論文中，探討了目前人工智慧所缺失的人類智慧。例如，人類有語意組合的能力，有從現有知識中構建新的想法來解決問題的能力，而這些人工智慧都沒有。

Gershman說：「對於人類智慧來說，關係推理是必要條件但不是充分條件。」

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！