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?
![](https://img.laitimes.com/img/9ZDMuAjOiMmIsIjOiQnIsIyZuBnLmBTM2IWYlJmZyYDNhJ2M3MWNiN2NlR2N1IGM2MmYmdDNxETY4MTNh9CXt92Yu4GZjlGbh5SZslmZxl3Lc9CX6MHc0RHaiojIsJye.png)
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“
”。