正在考虑入手的新家附近有多少公园？餐馆里最佳的晚餐-酒搭配是什么？这些日常问题都需要关系推理——一种更高级思考的重要成分，而这却是人工智能(AI)难以掌握的。现在，谷歌DeepMind的研究者提出了一种处理这种推理的简单方法，并在复杂图像理解测试中击败了人类。
人类通常很擅长关系推理，利用逻辑连接和比较位置、顺序和其他实体。但两种主要AI——统计和符号，在发展类似的能力方面一直进展缓慢。统计AI，或者叫机器学习，善于模式识别，但不善于使用逻辑。而符号AI则能利用预定规则推理关系，但不善于学习。
credit: 煎蛋画师六翼
新研究提出了一种缩小差距的方式：进行关系推理的人工神经网络。类似于大脑中神经元的连接方式，神经网络利用小型程序合作发现数据中的模式，针对图像处理、语法分析或者游戏学习有特定的架构。在这种应用中，新的“关系网络”单独比较场景中的每一对目标。论文共同作者、在伦敦的DeepMind计算科学家Timothy Lillicrap说道：“我们明确要求网络发现目标之间存在的关联。”
他和他的团队利用几个任务测试了关系网络。第一个是回答单幅图像内物体之间的关系，比如立方、球形和圆柱的图形。例如：“在这个蓝色的东西前面有个物体，它的形状和那个灰色金属球右边的小型青色物体的形状一样吗？”针对这个任务，关系网络与其他两种神经网络相结合了：一个识别图像中的物体，另一个翻译这个问题。研究者在上周发表在预览商arXiv的论文中称，通过进行众多图像和问题测试，发现其他机器学习方法的正确率大概是42%到77%，人类的正确率则是可敬的92%。而新的关系网络正确率是96%，真是一个超越人类的成绩。
DeepMind团队还利用一个语言任务进行了测试。这个任务中网络将接收到一些陈述，比如“Sandra捡起了那个足球”和“Sandra去办公室了”。随后就会提出一些问题比如：“球在哪里？”(办公室)。该网络在这些问题上的表现和其他类型问题上的一样好，但最大放异彩的是所谓的推理问题：“Lily是一只天鹅。Lily是白色的。Greg是一只天鹅。Greg是什么颜色？”在这些问题上，关系网络正确率为98%，而其竞争者的正确率约为45%。最后，该方法分析了10个到处乱蹦的球体的动画，其中某些球体之间被不可见的弹簧或者棍子连接到一起。单单使用运动模式，该网络就能鉴定出90%多的连接。然后使用相同的训练去鉴定仅利用移动点表示的人类形态。
波士顿大学计算科学家Kate Saenko并未参与该新网络的设计，但最近也合作提出了一种回答关于图像的复杂问题的方法。他说道：“他们方法的一个优点是概念上十分简单。” Lillicrap称其中大部分进步都可以用一个简单的方程来表示，这种简单性使其容易与其他网络相结合，正如在上述物体比较任务中那样。论文将其称为“一个即插即用的模块”，能使系统的其他部分专注于它们擅长的方面。
加利福尼亚帕洛阿尔托的斯坦福大学计算机科学家Justin Johnson合作设计了上述物体比较任务，并且合作提出了一种在该任务上表现良好的方法，他说道：“我深深为此成果而折服。” Saenko补充道，关系网络未来可以帮助研究社交网络，分析监视视频，或者导引交通流中的汽车。
Johnson说道，为了接近类人灵活性，该网络还需要学会回答更多挑战性的问题。做到这一点可能需要不仅仅比较一对事物，而是三个，四个或者更大集合中的某些对。他说道：“我对研究能自己提出新策略的模型很感兴趣。DeepMind正在建立特殊类型推理的模型，而不是追求更一般化的关系推理。但这仍然是正确方向上的重要一步。”
论文原文：arXiv:1706.01427
本文译自sciencemag，由译者 CliffBao 基于创作共用协议(BY-NC)发布。Matthew Hutson
（免责声明：本网站内容主要来自原创、合作伙伴供稿和第三方自媒体作者投稿，凡在本网站出现的信息，均仅供参考。本网站将尽力确保所提供信息的准确性及可靠性，但不保证有关资料的准确性及可靠性，读者在使用前请进一步核实，并对任何自主决定的行为负责。本网站对有关资料所引致的错误、不确或遗漏，概不负任何法律责任。
任何单位或个人认为本网站中的网页或链接内容可能涉嫌侵犯其知识产权或存在不实内容时，应及时向本网站提出书面权利通知或不实情况说明，并提供身份证明、权属证明及详细侵权或不实情况证明。本网站在收到上述法律文件后，将会依法尽快联系相关文章源头核实，沟通删除相关内容或断开相关链接。 ）
