雷锋网消息 Google旗下的DeepMind最近开发出了一种用于关系推理的人工神经网络，缩小了人工智能与人类在关系推理方面的差距。

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么？这些日常问题都需要用到关系推理。关系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系推理，而且该算法已经在复杂图像的理解测试中击败了人类。

关系推理是一种运用逻辑，联系和比较位置、顺序以及其他实体的思维过程。人类通常十分擅长关系推理，但人工智能的两种主要模式——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系推理，但在学习能力方面表现不佳。

神经网络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，分析数据间的关系和规律。针对处理图像、分析语言和学习游戏等不同用途，神经网络具有不同的专门架构。DeepMind开发出了全新的关系网络，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，就是推动该网络发现物体间存在的关系”。

Timothy和他的团队让该网络挑战了几项任务，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、球和圆柱体间的关系。测试人员会向该网络提问，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，关系网络结合了其他两种神经网络的能力：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（论文下载）：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%，而该关系网络的正确率高达96%，已经超越了人类。

DeepMind团队还用该网络挑战了基于语言的任务。测试中，该网络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，那么Greg是什么颜色”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杠杆连接在一起。仅仅通过运动轨迹，该算法就能准确判断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（Kate Saenko）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复杂问题的算法。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络相结合，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。

加利福尼亚州斯坦福大学的计算机科学家贾斯汀·约翰逊（Justin Johnson）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：“未来关系网络可以帮助学习社交网络，分析监控画面，或者控制自动驾驶汽车。”

约翰逊表示，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，而非普适性型的关系推理网络，不过它仍然是人类在前进道路上迈出的重要一步。