計算機開始像人類一樣推理

你考慮購買的新家附近有多少個公園？一家餐廳里的最佳晚餐和酒的搭配是什麼？回答這些日常問題需要進行關係推理，這種更高級思維的構成部分對於人工智慧（AI）來說很難操控。現在，谷歌公司深度思維分公司下屬的研究人員設計了一個簡單的算式來處理類似的邏輯推理——而且它已經在一個複雜成像理解測試中戰勝了人類。

一種新型神經網路可推理複雜關係，包括不同物體的位置。圖片來源：v_alex/iStockphoto

人類在關係推理——用邏輯聯繫和對比位置、序列及其他實體的一種思維——方面通常較為擅長。但 AI 的兩個主要種類——統計和符號發展出類似能力的速度卻很緩慢。統計 AI 或機器學習擅長於模式識別，但卻並不擅長使用邏輯。而符號 AI 能夠利用已經決定的規則推理關係，但卻不擅長動態學習。

新研究提出了跨越這一溝壑的方法：一種進行關係推理的人工智慧神經網路。類似於神經在大腦中連接的方式，神經網路會將微小的程序連在一起，通過協作在數據中尋找模式。它們可以擁有處理圖像、剖析語言或者甚至是學習遊戲的特別架構。在這種情況下，新的「關係網路」可以被連接以對比各個場景中的每一對物體。「我們正在明確地讓這個網路發現事物之間存在的關係。」該論文共同作者、倫敦深度思維分公司計算機學家 Timothy Lillicrap 說。

他和團隊用若干任務驗證了它們的關係網路。第一個網路是回答一個單一圖像中事物之間的關係，如立方體、球和圓柱。例如：「藍色物體前有一個物體，它的形狀和灰色金屬球右邊藍綠色的小物體形狀相同嗎？」對於這一任務，關係網路可以與另外兩種神經網路相結合：一個是識別圖像中的物體，另一個是解釋問題。在很多圖像和問題上，其他機器學習算式的正確率是 42% 到 77%。人類得分是 92%。而新關係網路聯合體的正確率是 96%，已經超過了人類的推理分數，研究人員在近日發表於預印本伺服器 arXiv 的文章中報告了這一成果。

深度思維團隊還在基於語言的一項任務中測驗了該神經網路，其中它會收到諸如「Sandra 撿起足球」「Sandra 去辦公室」等表述。隨後它會收到一些問題，如「足球在哪裡？」（辦公室）。它在大多數類型的問題上表現得與多數 AI 算式一項出色，而且在所謂的推理問題方面尤其出色。例如，「Lily 是一隻天鵝。Lily 是白色的。Greg 是一隻天鵝。Greg 是什麼顏色的呢？」（白色）。對於此類問題，關係網路得分可達 98%，而其競爭者的得分在 45% 左右。最終，該算式分析了 10 個球在周圍彈跳的動態模式，其中一些球被隱形彈簧或木棒連接在一起。關係網路能夠利用這個動態模式，識別 90% 以上的連接。它隨後後同樣的訓練方法識別移動點及其他為代表的人類形式。

「他們的方法的一個優勢是在概念上特別簡單。」紐約波士頓大學計算科學家、並未參與此項研究的 Kate Saenko 說，她也開發了一個能夠回答關於圖像複雜問題的算式。Lillicrap 說，這種簡單性——大多數進展被囊括在一個方程式中——使其能夠與其他網路相結合，正如在物體比較任務中所做的那樣。論文將此稱為「一種簡單的即插即用模塊」，可讓該系統的其他部分聚焦其擅長之處。

「我對這些結果感到震撼。」加州斯坦福大學計算機學家 Justin Johnson 說，他共同開發了物體對比任務。Saenko 補充說，神經網路未來有一天將有助研究社會網路、分析監控錄像或是指導自動化汽車。

為了獲得像人一樣的靈活性，Johnson 說，它將需要學習回答更多具有挑戰性的問題。做到這一點可能不僅需要對比一組事物，而是要有效地對比三個事物、兩對事物，或是一個更大集合中的幾對事物。「我對開發能夠想出其自身策略的模型非常感興趣。」他說，「深度思維正在建設一種特殊的推理模型，那將不是進行更加普遍意義上的關係推理。但目前它依然是朝著正確方向邁出了極重要的一步。」

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！