阿基米德在泡澡的時候，發現了富力原理，也發現了如何計算王冠的體積。
這就是一種抽象推理能力。
對于智能你來說，這個能力是不可或缺的一環。對人工智能也不例外。但是，神經網絡的智能到底是有推理能力，還是僅靠膚淺的統計資料？
為了回答這個問題，DeepMind想了一個方法。
給AI搞了一套IQ測試題。
例如，下面這個問題：請問右下角應該是哪個圖案？
基于觀察、推理能力，一個智能體可以推斷出這個問題的答案。基于這樣的理念，DeepMind建構了一個問題生成器，涉及一組抽象因素，包括漸進之類的關系，以及顔色和大小等屬性。
雖然這個生成器使用了一組潛在因素，但仍然會産生大量獨特的問題。
接下來，通過限制生成器可用的因子或組合，就可以建立用于訓練和測試模型的不同問題集，看看模型究竟能“聰明”到什麼程度。
通過實驗，DeepMind發現，當模型在測試中能夠正确推斷出任務背後的抽象概念時，就能産生良好的性能表現——IQ測試正确率可達87%，否則的話，蒙對答案的機率隻有32%。
這份研究結果表明，想得出關于泛化的普遍結論可能是無益的。
參與測試的模型，表現良好與否取決于一系列因素，而幾乎在所有情況下，系統在需要推斷超出其經驗的輸入，或處理完全不熟悉的屬性時，表現不佳。
總之，這是一個很有意思的方向。
很多人在看到這個研究時，都發出了Interesting的評價~
如果你對這個研究感興趣，詳細的論文在此：
Measuring abstract reasoning in neural networks
傳送門：
http://proceedings.mlr.press/v80/santoro18a/santoro18a.pdf 為了鼓勵大家繼續研究，DeepMind還開源了資料集。
https://github.com/deepmind/abstract-reasoning-matrices原文釋出時間為：2018-07-12
本文來自雲栖社群合作夥伴“
量子位”，了解相關資訊可以關注“
”。