DeepMind 不僅讓 AI 會下棋，還要讓 AI 會推理

「狗是黑色的獵鹿犬，獵鹿犬的名字叫天狼星，請問天狼星是什麼顏色？」對正常人來說，這種關係推理十分簡單，但對 AI 來說就不一定了。上周，DeepMind 的研究人員發表了一篇文章，詳細介紹了之前公布的關係網路（RN）演算法，它賦予了 AI 人的推理能力。

不是所有 AI 都叫 AlphaGo

不同的 AI 具有不同功能和優勢。就好像專攻藝術和專攻科學的學生一樣，圖像分析類 AI 和機器學習類 AI 的演算法處理能力完全不同。

圖像分析類 AI 可以運用其強大的數學和邏輯運算來解釋事物之間的聯繫，但他們必須要受到預先確定的規則約束，否則就無法進行推理。也就是說，他們的學習能力很差，如果在執行演算法的過程中有任何細微變化不符合預先設定，都有可能導致演算法偏離正常軌道。

而機器學習類 AI 則依賴於數以百萬計的數據，來訓練自己的演算法和模型，在不斷地學習過程中發現事物之間的聯繫。就好像前段時間風靡全球的 AlphaGo，就是由深度學習演算法驅動的。

現在，DeepMind 將這兩類演算法結合打造了一個能夠對不同對象進行識別和推理的人工智慧關係網路。

即插即用的「關係網路（RN）」

對於人類來說，建立兩個對象之間的關係實際上分為兩步，首先你需要先識別兩個對象的屬性， 然後把他們放到你的知識背景中來分析他們之間的關係。關係網路演算法通過類似的方式，使 AI 能夠準確的推理出諸如靜態的對象、移動的人或者是人的想法等抽象表徵物之間的聯繫。讓 AI 具有像人類思維一樣的靈活性和效率。

這種演算法最大的優點就是簡單。其核心就是一個單一的方程，它能夠添加到現有的所有網路結構上，並正常運行。方程如下：

f?和 gθ是兩個演算法，gθ（oi,oj）是兩個對象間的基本關係，它首先收集兩個對象之間的所有邏輯關係，然後通過 f?進行兩兩配對和疊加推理出最終的關係。

去年，Facebook 的 AI 研究人員利用 VQA 資料庫合成了 CLEVR，用以分析機器學習演算法的準確性。CLEVR 中包括了十幾萬張帶有開放式問題的圖像，需要運用視覺識別和語義理解進行分析，每個圖像至少 3 個問題。據了解，RN 演算法通過測試的準確率達到了 95%，而正常人類測試結果的平均準確率只有 92%。

研究人員表示，未來 RN 關係網路可以用於自動分析監控錄像和社交網路信息，或者引導自動駕駛車輛通過複雜的十字路口。但是，目前這種演算法只能分析兩兩配對的對象關係，要想處理更複雜的場景，他們必須改進演算法來實現更多對象之間的關係分析。

粹客網是國內首個關注前沿科技領域的科技新媒體和創業服務平台。我們提供最貼近商業化的前沿科技創業報道、最新最全的科技動態資訊以及深刻獨到的行業觀點。堅持挖掘有價值的創新創業項目，致力於成為創新創業者的前沿陣地。

每月精彩評論將有機會獲得神秘禮品，線下活動 or 商業合作請私信微信公眾號（cheekrnews）或發郵件到粹客網官方郵箱。

點擊展開全文

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！