主页>> A生活节 >AI突破关係推理,DeepMind人工神经网路击败人类! >

AI突破关係推理,DeepMind人工神经网路击败人类!

发布日期: 2020-06-06

AI突破关係推理,DeepMind人工神经网路击败人类!
AI突破关係推理,DeepMind人工神经网路击败人类!

本文来自合作媒体 雷锋网 ,INSIDE 经授权转载。

Google 旗下的 DeepMind 最近开发出了一种用于关係推理的人工神经网路,缩小了人工智慧与人类在关係推理方面的差距。

你正考虑入手的房子附近有多少个公园?某家餐厅最好的晚餐和红酒搭配是什幺?这些日常问题都需要用到关係推理。关係推理是高级思维的重要组成部分,而 AI 目前还难以掌握。不过, DeepMind 的研究人员已经开发出了一种简单算法来进行关係推理,而且该算法已经在複杂图像的理解测试中击败了人类。

关係推理是一种运用逻辑,联繫和比较位置、顺序以及其他实体的思维过程。人类通常十分擅长关係推理,但人工智慧的两种主要模式,基于统计和基于符号计算的算法,在开发类似能力时进展十分缓慢。基于统计的 AI 算法或者说机器学习,在图像识别领域表现十分出色,但它并没有运用到逻辑能力。基于符号计算的 AI 算法可以使用预定的规则进行关係推理,但在学习能力方面表现不佳。

神经网路的结构与神经元在大脑中的连接方式相似。它将简单的程序组合在一起,彼此协同,分析数据间的关係和规律。针对处理图像、分析语言和学习游戏等不同用途,神经网路具有不同的专门架构。DeepMind 开发出了全新的关係网路,以分析比较某一特定场景中的每一组对象。DeepMind 在伦敦的计算机科学家 Timothy Lillicrap 表示:「我们的目的很明确,就是推动该网路发现物体间存在的关係」。

Timothy 和他的团队让该网路挑战了几项任务,以测试其效力。第一项任务是分析某张图片中几个物体,比如立方体、球和圆柱体间的关係。测试人员会向该网路提问,比如:蓝色的物体前面的物体,和灰色金属球右边的微小青色物体形状是否相同。据雷锋网了解,为完成这一任务,关係网路结合了其他两种神经网路的能力:一种用于识别图片中的物体,另一种用于理解测试人员的提问。根据研究人员上周发表的一篇报告:在一系列测试中,其他机器学习算法的正确率只有 42%-77%,人类的正确率可达到 92%,而该关係网路的正确率高达 96%,已经超越了人类。

 DeepMind 团队还用该网路挑战了基于语言的任务。测试中,该网路首先会接收到一些语句,比如「Sandra 捡起足球」「Sandra 去办公室」。然后测试人员向其提问「足球在哪里」。在回答大多数问题时,该算法与其竞争算法表现相当,不过它在处理「Lily 是一只天鹅,Lily 是白色的,Greg 也是一只天鹅,那幺 Greg 是什幺颜色」之类的推理问题时表现更加出色。面对类似问题时,该算法的正确率高达 98%,而其他算法的正确率只有 45%。最后,研究团队还让该算法分析了一段动画,动画中有十个球弹来弹去,其中一些球通过不可见的弹簧或槓桿连接在一起。仅仅通过运动轨迹,该算法就能準确判断 90% 的连接。研究人员还通过这种方式训练该算法识别用移动的点代替的人群。

波士顿大学计算机科学家凯特·桑科并没有参与这该算法的开发,但他联合开发了另一个能够回答关于图像的複杂问题的算法。桑科表示,该算法的优势之一就是它在概念上非常简单。该算法取得的进步主要归功于一个方程式,后者允许该算法与其他网路相结合,正如它在完成比较物体的任务中所做的那样。研究人员发表的报告中称该算法为「一个简单的即插即用模块」,它可以让系统中的其他部分专注于它们各自擅长的领域。

加利福尼亚州史丹福大学的计算机科学家贾斯汀·詹森共同参与了第一项测试任务的设计,同时他也联合开发了一种在该任务中表现出色的算法。他说道:「测试结果令我影响深刻。」桑科则补充道:「未来关係网路可以帮助学习社交网路,分析监控画面,或者控制自动驾驶汽车。」

詹森表示,要像人类一样灵活,该算法还必须学会回答更具挑战性的问题。要实现这一点,该算法不仅要学会比较两个物体,还要能比较三个物体,甚至多对物体,或者大集合中的某几组物体。他说道,「我正致力于开发能拥有自己的策略的模型」。 DeepMind 正在开发的是一种特定类型,而非普适性型的关係推理网路,不过它仍然是人类发展上迈出的重要一步。