DeepMind早就不再下围棋了,新论文训练AI进行逻辑推理

大数据文摘作品,转载要求见文末

作者 | DANIEL OBERHAUS

编译 | 刘小楚、范玥灿、宁云州

如果我们要创造广义的人工智能,我们必须教会它和我们一样思考。

去年,人工智能AlphaGo首次在人机围棋大赛中战胜了人类世界冠军。鉴于围棋的巨大复杂性,这次胜利抓取了所有人的目光。虽然AlphaGo打败了多位世界级围棋棋手的胜利令人印象深刻,但这种人工智能仍然被认为是狭义的人工智能。也就是说,这种人工智能只能在有限的任务领域强于人类。

因此,即使AlphaGo在世上最复杂的棋牌游戏中完胜人类,我们也不会在平凡的日常生活中依靠它,比如让它给我们泡杯茶或者为家里的车安排一次保养。

相比之下,经常出现在科学小说中的AI是广义的人工智能,和人类具有同等级别和多样性的智力。虽然我们已经有了从疾病诊断到无人驾驶的各种人工智能,但如何把这些狭义的人工智能整合到一起仍然充满了挑战。

根据上周发布的两篇新论文,这家Alphabet神秘子公司-DeepMind的研究人员正在为一种广义的人工智能奠定基础。虽然他们目前还没有做到,但初步的实验结果仍然在一些领域显得非常有前景,在这些领域内,AI甚至具备了能超越人类的能力。

两篇论文的主题都是关系推理,这种关键的认知能力帮助人们在许多不同的目标和想法上进行比较,例如比较一个物体是否较大或者一个物体是否比起另一个物体更靠左。

人们在每次尝试解决问题时,总会使用关系推理,但是研究者们目前还没想到如何赋予AI这种简单的能力。

DeepMind的研究人员采用了两种不同的方法来试图解决这个问题。一种是通过一个简单的静态3D数据集来训练一个神经网络,这种模仿人类大脑的神经网络叫做CLEVR。另外一种神经网络则用来理解2D对象如何随着时间而变化。

在CLEVR中,首先给神经网络展现一系列简单的事物,例如棱锥、立方体和球体。然后研究者们用自然语言对AI提出一系列例如“立方体和圆柱是同种质地吗?”的关系推理问题。令人惊喜的是,这种神经网络在关系推理上的的准确性能达到95.5%,超过了人类的基准水平92.6%。

在让神经网络理解2D目标是如何随着时间变化时,DeepMind的研究人员创造了一种叫做视觉交互网络(VIN)的神经网络,这种神经网络能够在一个视频序列中,根据过去的运动来预测一个物体将要出现的位置。研究人员首先为VIN提供了一个视频的三个连续帧,用它来生成一个状态码。这个状态码在视频帧中用一系列向量来表示帧内每个物体的位置或者速度。然后,研究人员为VIN提供一串状态码,这个组合成的序列被用来预测下一帧中的状态码。

为了训练视觉交互网络,研究者使用了五种不同的物理系统。这些系统中的2D对象跨越了“自然图像背景”并和各种力量交互作用。例如,其中一个系统就是研究人员根据牛顿万有引力定律来模拟彼此相互作用的物体。在另一个系统中,提供给神经网络一个台球游戏,来预测球未来的位置。

根据研究人员的结论,他们的视觉交互网络特别成功,并且优于目前最领先的视频预测模型。

这项工作是实现广义人工智能的重要一步,但是在人工智能真正接管世界之前还有很多工作要去完成。哈佛计算神经科学家山姆·格什曼(Sam Gershman)在谈到如何实现广义人工智能的时候对麻省理工学院技术评论讲道:“任何特定机器学习任务的超人类表现都不意味着超人类智慧。”

一切皆未然。

原文链接:https://motherboard.vice.com/en_us/article/9k5j47/google-deepmind-artificial-intelligence-neural-net-discovery

2017年7月《顶级数据团队建设全景报告》下载

关于转载如需转载,请在开篇显著位置注明作者和出处(转自:大数据文摘 | bigdatadigest),并在文章结尾放置大数据文摘醒目二维码。无原创标识文章请按照转载要求编辑,可直接转载,转载后请将转载链接发送给我们;有原创标识文章,请发送【文章名称-待授权公众号名称及ID】给我们申请白名单授权。未经许可的转载以及改编者,我们将依法追究其法律责任。联系邮箱:zz@bigdatadigest.cn。

原文发布于微信公众号 - 大数据文摘(BigDataDigest)

原文发表时间:2017-07-26

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏AI科技评论

开发 | 入门深度学习,读对书很重要

AI科技评论按:本文作者为 Jeffries Consulting 创始人 Daniel Jeffries,他以自己的阅读体验,对当前含金量极高的几本深度学习书...

36511
来自专栏CreateAMind

AI Insight:放弃幻想,搞 AI 必须过数学关

从2012年“大数据”概念兴起到2016年人工智能大热,已经四五年时间了,该看的热闹看到了,该爆炒的话题炒够了,该沉淀的也沉下来了。现在越来越多的人已经放下质疑...

1563
来自专栏AI科技大本营的专栏

AI技术讲座精选:数学不好,也可以学习人工智能

【AI100导读】越来越多工程师想学习大热的深度学习,但深度学习技术需要数学功底,数学不好怎么办?这篇文章可以提供成为深度学习工程师的数学路径。 如果你像我一样...

3316
来自专栏AI科技大本营的专栏

文因互联鲍捷:深度解析知识图谱发展关键阶段及技术脉络 | 公开课笔记

知识图谱是人工智能三大分支之一——符号主义——在新时期主要的落地技术方式。该技术虽然在 2012 年才得名,但它的历史渊源,却可以追溯到更早的语义网、描述逻辑、...

1495
来自专栏新智元

【牛津调查:AI 超越人类编年史】柯洁之后,32个AI里程碑全预测

【新智元导读】人类纪元2017年,世界第一柯洁哭了,为自己 0:3 对 AlphaGo 的落败。有人解读说,这预见到了人族衰败的开始,和未来两个族群之间在智力上...

3446
来自专栏大数据文摘

为何机器学习识别声音还做不到像识别图片那么容易?

3154
来自专栏牛客网

【数据挖掘面经】腾讯+百度+华为(均拿到sp offer)

1.4K4
来自专栏华章科技

机器学习进阶路上的五个境界

关于机器学习,这个话题最近实在太火了,甚至有些虚火了。有了虚火,就容易有泡沫。大浪淘沙,要想在数据科学这个行业生存下来,任何一个从业者都需要认清自己的位置,每上...

1073
来自专栏CDA数据分析师

如何成为大神级数据科学家 | Kaggle Grandmaster是怎样炼成的

Vladimir I. Iglovikov 是一名 Kaggle 顶级大师(Grandmaster),曾获得过 Carvana 图像遮蔽挑战的冠军,以及 Dst...

2322
来自专栏腾讯高校合作

【犀牛鸟论道】社会传播学的若干课题与实践

社会传播学的若干课题与实践 贺鹏、易玲玲、高瀚、陈川 腾讯微信数据中心社会传播组 [摘要]俗话说“酒香不怕巷子深”,表面上说的是酒香引人,实际上是指好酒在街坊邻...

3525

扫码关注云+社区

领取腾讯云代金券