DeepMind開發新型神經網路，可以增強人工智慧對現實世界事物的理解和推理

這個世界總有很多地方讓人困惑，在人工智慧（AI）領域尤其如此。不過，最近 DeepMind 公司開發的新型神經網路讓情況有所改善，它使計算機能夠了解不同對象之間的相互關聯性，將有可能成為促使人工智慧了解外界世界的里程碑。

在現實生活中，無論是在超市中選擇最好的一串香蕉，還是綜合分析犯罪現場的證據，人們常常使用關係推理的方法——通過判斷物體方位、大小這種傳遞抽象關係的能力讓我們有了從多個不同領域了解世界的思維工具。

哈佛大學的計算神經科學家Sam Gershman認為，這是人類智力的基本部分。

圖丨計算神經科學家Sam Gershman

然而，對人來說很直觀的事物，機器卻很難理解。AI如果要完成某個具體任務，比如識別圖像中的內容，必須先跨過這個障礙。像這樣將圖像識別內容轉換為分析文字的推理性工作，對AI來說，就是巨大的挑戰。

若能實現這種功能，機器將向實現真正智能更進一步，屆時人類就可以從重複性的工作中解脫出來。

為了實現這個目標，DeepMind 建立了一個專門進行這種抽象推理的神經網路，它可以插入到其他神經網路中，賦予它們進行關係推理的能力。研究人員使用描繪不同尺寸和顏色三維形狀的圖像來訓練 AI，它分析了圖像中的成對的對象，並嘗試了解它們之間的關係。

然後，該團隊向 AI 提出問題，例如「大球體左邊的棕色金屬物體的左邊的圓柱體大小」。系統正確地回答了這些問題的概率達到95.5%，甚至比人類還要好一些。另外，為了驗證其多功能性，有些提問以短故事的形式出現，AI對此進行關係推理，回答的正確率也達到95%。

儘管如此，DeepMind 的負責人 Adam Santoro 表示，該系統的實際應用還有很長的路要走。他認為，該技術最有可能在計算機視覺領域展開初步應用，「我們可以展望，程序能夠自動描述某一圖像的現象，甚至是幫助視覺障礙者視頻也有可能」。

圖丨DeepMind 的 Adam Santoro

如果機器在某一領域超過人類，這也不足為奇。不過，要讓機器理解紛繁的現實世界，我們還有很長的路要走。

對於這一說法，Santoro表示同意，DeepMind 的 AI 通過了解大小，顏色和形狀的差異，開始了初步的工作，但其中還有更多的關係需要判斷推理。「面對豐富的現實數據集，我們需要大量工作來應對。」

編輯：一一

GIF/355K

GIF/524K

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！