麻省理工學院的AI模型以最少的訓練數據學習對象之間的關系

深度學習系統挑選數據中的統計模式 - 這就是他們如何解釋世界。但是統計學習需要大量數據，而且并不是特別擅長將過去的知識應用于新情況。這與符號AI不同，后者記錄了用比傳統方法更少數據來做出決策所采取的步驟鏈。

麻省理工學院，麻省理工學院--Watson AI實驗室和DeepMind的一組研究人員進行的一項新研究證明了符號AI應用于圖像理解任務的潛力。他們說，在測試中，他們的混合模型設法學習與顏色和形狀等對象相關的概念，利用這些知識在場景中以最少的訓練數據和“沒有明確的編程”來描述對象關系。

兒童學習概念的一種方式是通過將圖像與圖像聯系起來，”研究的主要作者毛家元在一份聲明中說。“能夠以相同方式學習的機器需要更少的數據，并能更好地將其知識轉移到新的場景中。”

團隊的模型包括將圖像轉換為基于對象的表示的感知組件，以及從單詞和句子中提取含義的語言層，并創建告知AI如何回答問題的“符號程序”(即指令)。第三個模塊在場景中運行符號程序并吐出答案，在出錯時更新模型。

研究人員根據斯坦福大學CLEVR圖像理解測試集的相關問題和答案對圖像進行了訓練。(例如：“物體的顏色是什么?”和“有多少物體都在綠色圓柱體的右側，并且與小藍球具有相同的材料?”)隨著模型的學習，問題逐漸變得越來越難，一次它掌握了對象級概念，該模型進一步學習如何將對象及其屬性相互關聯。

在實驗中，它能夠“幾乎完美地”解釋新的場景和概念，研究人員報告說，只用了5,000張圖像和100,000個問題(與70,000張圖像和700,000個問題相比)，輕松地超越了其他前沿的AI系統。該團隊留待未來的工作改進其在真實世界照片上的表現，并將其擴展到視頻理解和機器人操作。