深度学习系统选择数据中的统计模式——这就是它们解释世界的方式。但是统计学习需要大量的数据，并不是特别擅长将过去的知识应用到新的情境中。这不同于符号AI，它记录了用比传统方法更少的数据做出决策的一系列步骤。

麻省理工学院，麻省理工学院——来自沃森人工智能实验室和DeepMind的一组研究人员的一项新研究证明了符号人工智能在图像理解任务中的潜力。他们表示，在测试中，他们的混合模型试图学习与颜色和形状等对象相关的概念，并使用这些知识以最少的训练数据和“无显式编程”来描述场景中的对象关系。

这项研究的第一作者毛佳媛在一份声明中说：“儿童学习概念的一种方法是将图像与图像联系起来。”能够以同样方式学习的机器需要的数据更少，能够更好地将知识转移到新的场景中。"

该团队的模型包括将图像转换为基于对象的表示的感知组件，以及从单词和句子中提取含义的语言层，并创建一个“符号程序”(即指令)，告诉AI如何回答问题。第三个模块在场景中运行符号程序，吐出答案，出现错误时更新模型。

研究者根据斯坦福大学CLEVR图像理解测试集的相关问答对图像进行训练。(例如：“物体的颜色是什么？”以及“有多少物体处于绿色圆柱体的正确位置，并且具有与蓝色小球相同的材料？”随着模型的学习，问题变得越来越难，它已经掌握了对象层次的概念。该模型进一步学习如何关联对象及其属性。

在实验中，它可以“几乎完美地”解释新的场景和概念。研究人员报告称，它只使用了5000张图片和10万个问题(相比之下，它使用了7万张图片和70万个问题)，轻松超越了其他尖端AI系统。该团队将其留给未来的工作，以提高其在现实世界照片中的性能，并将其扩展到视频理解和机器人操作。

版权说明： 本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。

标签：