麻省理工學院AI模型：只需少量的訓練數據就能學習對象之間的關係

深度學習往往需要大量的數據，不然就會出現過度擬合。然而，獲取大規模數據往往非常困難，而且深度學習並不是特別擅長將過去掌握的知識應用於新的情況。與傳統方法不同，符號AI可以用更少的數據，記錄下為做出決策所採取的一系列步驟。

據外媒報道，麻省理工學院、Watson AI實驗室以及DeepMind的研究人員進行的一項新研究證明了，符號AI應用於圖像理解任務具有很大的潛力。他們說，在測試中，他們的混合模型學習了與顏色和形狀等對象相關的概念，利用這些知識在一個場景中用最少的訓練數據和「無顯式編程」來推測對象關係。

符號AI研究論文的主要作者Jiayuan Mao在一份聲明中說：「兒童學習一種概念的方式是將辭彙和圖像聯繫起來，但符號AI模型與兒童相比，學習同一種概念需要的數據要少得多，並能更好的將知識轉化應用到新的場景中。」

該團隊的模型包括一個將感知組件(該組件將圖像轉換為基於對象的表示)，以及一個語言層(該語言層從單詞和句子中提取含義，並創建告知AI如何回答問題的「符號程序」，即指令)。模型的第三個模塊在場景中運行符號程序，並給出答案，當模型出錯時就對其進行更新。

研究人員根據斯坦福大學CLEVR圖像理解測試集的相關問題和答案對圖像進行了訓練(例如：物體的顏色是什麼？以及有多少物體都在綠色圓柱體的右側，並且與小藍球具有相同的材料？)。隨著模型的學習，問題會變得越來越難，一旦它掌握了對象級概念，該模型就開始學習如何將對象及其屬性相互關聯。

研究人員訓練了一個混合AI模型來回答「綠色立方體左邊的紅色物體與紫色啞光物具有相同形狀嗎？」之類的問題

在實驗中，符號AI模型能夠幾乎完美地解釋新的場景和概念。據研究人員報告，符號AI模型整個訓練過程，只用了5000張圖像和10萬個問題，就輕鬆地超越了其他前沿的AI系統。該團隊將在未來的工作中進一步改進符號AI模型在真實照片上的表現，並將其擴展應用到視頻理解和機器人操作上。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！