AI開始像人類一樣思考

您想要購買的新房子附近有幾個公園？餐廳最好的晚餐、葡萄酒搭配是什麼？這些日常問題需要關係推理，這是人工智慧（AI）難以掌握的高層思想的重要組成部分。現在，Google的DeepMind的研究人員已經開發了一種簡單的演算法來處理這種推理，並且已經在複雜的圖像理解測試中打敗了人類。

人類通常相當擅長關係推理，一種使用邏輯來連接和比較的方法，序列和其他實體的思維。但AI統計和象徵性的兩種主要類型——開發類似的能力一直很慢。統計AI或機器學習在模式識別方面是偉大的，但不是使用邏輯。而象徵性的AI可以使用預定的規則來理解關係，但是在常識學習並不是很好。

新的研究提出了彌合差距的一種方法：人工神經網路的關係推理。類似於神經元在大腦中連接的方式，神經網路將微小的程序拼接在一起，協同地在數據中找到模式。他們可以擁有處理圖像，分析語言甚至學習遊戲的專門架構。在這種情況下，新的「關係網路」被連接，以逐個比較場景中的每一對對象。

DeepMind在倫敦的計算機科學家Timothy Lillicrap表示：「我們強迫網路發現物體之間存在的關係。」

他和他的團隊通過幾項任務挑戰了他們的關係網路。第一個是回答關於單個圖像中的對象之間的關係的問題，如立方體，球和圓柱體。例如：「藍色的東西前面有一個物體; 它是否具有與灰色金屬球右邊的微小的青色物體相同的形狀？「對於這個任務，關係網路與另外兩種類型的神經網路相結合：一個用於識別圖像中的對象，一個解釋這個問題。在許多圖像和問題上，其他機器學習演算法正確率為42％到77％。人類獲得了92％的榮譽。新的關係網路組合正確率為96％——一個超人的得分，研究人員在上周發布的一篇文章在預印伺服器arXiv報告。

DeepMind團隊還在基於語言的任務中嘗試了神經網路，其中收到了一系列聲明，如「Sandra拾起足球」和「Sandra去辦公室」，其次是以下問題：「Where是足球嗎？「（辦公室）。它在大多數類型的問題上表現勝過與其競爭的AI演算法，它確實照亮了所謂的推理問題：「莉莉是天鵝。百合是白色的，什麼顏色是格雷格？「（白色）。在這些問題上，關係網路得分為98％，而其競爭對手則獲得了45％。最後，該演算法分析了其中10個球彈跳的動畫，一些通過不可見的彈簧或桿連接。僅使用運動模式，就能識別超過90％的連接。

波士頓大學計算機科學家凱特·桑科（Kate Saenko）說，他們的方法在概念上很簡單，他沒有參與到新的工作中，而且還共同開發了一個可以回答有關圖像的複雜問題的演算法。這個簡單--Lillicrap說，大部分的進步是在一個方程式中被捕獲的 - 允許它與其他網路組合，就像在對象比較任務中一樣。該文件稱之為「一個簡單的即插即用模塊」，允許系統的其他部分專註於他們所擅長的內容。

加利福尼亞州帕洛阿爾托的斯坦福大學的計算機科學家賈斯汀·約翰遜（Justin Johnson）說，「我對結果印象深刻，他共同開發了對象比較任務，並且共同開發出了一個很好的演算法。Saenko補充說，關係網路有一天可以幫助學習社交網路，分析監控畫面，或引導自動車通過交通。

約翰遜說，為了達到人性化的靈活性，必須學會回答更具挑戰性的問題。這樣做可能需要的不僅僅是對東西的比較，或只是比較大的集合中的一些對（為了效率）。他說：「我有興趣向想要制定自己的戰略的模式邁進。」 「DeepMind正在建模一種特定類型的推理，而不是真正追求更廣泛的關係推理。但它仍然是朝著正確方向邁出的重要一步。「

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！