AI 突破關係推理,DeepMind 人工神經網路擊敗人類!

評論
評論

 

Photo Credit:meet sally

本文來自合作媒體 雷鋒網 ,INSIDE 經授權轉載。

Google 旗下的 DeepMind 最近開發出了一種用於關係推理的人工神經網路,縮小了人工智慧與人類在關係推理方面的差距。

你正考慮入手的房子附近有多少個公園?某家餐廳最好的晚餐和紅酒搭配是什麼?這些日常問題都需要用到關係推理。關係推理是高級思維的重要組成部分,而 AI 目前還難以掌握。不過, DeepMind 的研究人員已經開發出了一種簡單算法來進行關係推理,而且該算法已經在複雜圖像的理解測試中擊敗了人類。

關係推理是一種運用邏輯,聯繫和比較位置、順序以及其他實體的思維過程。人類通常十分擅長關係推理,但人工智慧的兩種主要模式,基於統計和基於符號計算的算法,在開發類似能力時進展十分緩慢。基於統計的 AI 算法或者說機器學習,在圖像識別領域表現十分出色,但它並沒有運用到邏輯能力。基於符號計算的 AI 算法可以使用預定的規則進行關係推理,但在學習能力方面表現不佳。

神經網路的結構與神經元在大腦中的連接方式相似。它將簡單的程序組合在一起,彼此協同,分析數據間的關係和規律。針對處理圖像、分析語言和學習遊戲等不同用途,神經網路具有不同的專門架構。DeepMind 開發出了全新的關係網路,以分析比較某一特定場景中的每一組對象。DeepMind 在倫敦的計算機科學家 Timothy Lillicrap 表示:「我們的目的很明確,就是推動該網路發現物體間存在的關係」。

Timothy 和他的團隊讓該網路挑戰了幾項任務,以測試其效力。第一項任務是分析某張圖片中幾個物體,比如立方體、球和圓柱體間的關係。測試人員會向該網路提問,比如:藍色的物體前面的物體,和灰色金屬球右邊的微小青色物體形狀是否相同。據雷鋒網了解,為完成這一任務,關係網路結合了其他兩種神經網路的能力:一種用於識別圖片中的物體,另一種用於理解測試人員的提問。根據研究人員上周發表的一篇報告(論文下載):在一系列測試中,其他機器學習算法的正確率只有 42%-77%,人類的正確率可達到 92%,而該關係網路的正確率高達 96%,已經超越了人類。

 DeepMind 團隊還用該網路挑戰了基於語言的任務。測試中,該網路首先會接收到一些語句,比如「Sandra 撿起足球」「Sandra 去辦公室」。然後測試人員向其提問「足球在哪裡」。在回答大多數問題時,該算法與其競爭算法表現相當,不過它在處理「Lily 是一隻天鵝,Lily 是白色的,Greg 也是一隻天鵝,那麼 Greg 是什麼顏色」之類的推理問題時表現更加出色。面對類似問題時,該算法的正確率高達 98%,而其他算法的正確率只有 45%。最後,研究團隊還讓該算法分析了一段動畫,動畫中有十個球彈來彈去,其中一些球通過不可見的彈簧或槓桿連接在一起。僅僅通過運動軌跡,該算法就能準確判斷 90% 的連接。研究人員還通過這種方式訓練該算法識別用移動的點代替的人群。

波士頓大學計算機科學家凱特·桑科(Kate Saenko)並沒有參與這該算法的開發,但他聯合開發了另一個能夠回答關於圖像的複雜問題的算法。桑科表示,該算法的優勢之一就是它在概念上非常簡單。該算法取得的進步主要歸功於一個方程式,後者允許該算法與其他網路相結合,正如它在完成比較物體的任務中所做的那樣。研究人員發表的報告中稱該算法為「一個簡單的即插即用模塊」,它可以讓系統中的其他部分專注於它們各自擅長的領域。

加利福尼亞州史丹福大學的計算機科學家賈斯汀·詹森(Justin Johnson)共同參與了第一項測試任務的設計,同時他也聯合開發了一種在該任務中表現出色的算法。他說道:「測試結果令我影響深刻。」桑科則補充道:「未來關係網路可以幫助學習社交網路,分析監控畫面,或者控制自動駕駛汽車。」

詹森表示,要像人類一樣靈活,該算法還必須學會回答更具挑戰性的問題。要實現這一點,該算法不僅要學會比較兩個物體,還要能比較三個物體,甚至多對物體,或者大集合中的某幾組物體。他說道,「我正致力於開發能擁有自己的策略的模型」。 DeepMind 正在開發的是一種特定類型,而非普適性型的關係推理網路,不過它仍然是人類發展上邁出的重要一步。

 


精選熱門好工作

Software Manual Test 手動測試工程師

樂購蝦皮股份有限公司
臺北市.台灣

獎勵 NT$20,000

Shopee APP - 實體活動企劃專員

樂購蝦皮股份有限公司
臺北市.台灣

獎勵 NT$20,000

行銷協理

數字銀河股份有限公司
臺北市.台灣

獎勵 NT$20,000

評論