DeepMind給人工智慧搞了一套IQ測試題

問耕 發自 凹非寺

量子位 出品 | 公眾號 QbitAI

阿基米德在泡澡的時候，發現了富力原理，也發現了如何計算王冠的體積。

這就是一種抽象推理能力。

對於智能你來說，這個能力是不可或缺的一環。對人工智慧也不例外。但是，神經網路的智能到底是有推理能力，還是僅靠膚淺的統計數據？

為了回答這個問題，DeepMind想了一個方法。

給AI搞了一套IQ測試題。

例如，下面這個問題：請問右下角應該是哪個圖案？

基於觀察、推理能力，一個智能體可以推斷出這個問題的答案。基於這樣的理念，DeepMind構建了一個問題生成器，涉及一組抽象因素，包括漸進之類的關係，以及顏色和大小等屬性。

雖然這個生成器使用了一組潛在因素，但仍然會產生大量獨特的問題。

接下來，通過約束生成器可用的因子或組合，就可以創建用於訓練和測試模型的不同問題集，看看模型究竟能「聰明」到什麼程度。

通過實驗，DeepMind發現，當模型在測試中能夠正確推斷出任務背後的抽象概念時，就能產生良好的性能表現——IQ測試正確率可達87%，否則的話，蒙對答案的概率只有32%。

這份研究結果表明，想得出關於泛化的普遍結論可能是無益的。

參與測試的模型，表現良好與否取決於一系列因素，而幾乎在所有情況下，系統在需要推斷超出其經驗的輸入，或處理完全不熟悉的屬性時，表現不佳。

總之，這是一個很有意思的方向。

很多人在看到這個研究時，都發出了Interesting的評價~

如果你對這個研究感興趣，詳細的論文在此：

Measuring abstract reasoning in neural networks

傳送門：

http://proceedings.mlr.press/v80/santoro18a/santoro18a.pdf

為了鼓勵大家繼續研究，DeepMind還開源了數據集。

傳送門：

https://github.com/deepmind/abstract-reasoning-matrices

—完—

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！