麻省理工学院的AI模型以最少的训练数据学习对象之间的关系

深度学习系统挑选数据中的统计模式 - 这就是他们如何解释世界。但是统计学习需要大量数据，而且并不是特别擅长将过去的知识应用于新情况。这与符号AI不同，后者记录了用比传统方法更少数据来做出决策所采取的步骤链。

麻省理工学院，麻省理工学院--Watson AI实验室和DeepMind的一组研究人员进行的一项新研究证明了符号AI应用于图像理解任务的潜力。他们说，在测试中，他们的混合模型设法学习与颜色和形状等对象相关的概念，利用这些知识在场景中以最少的训练数据和“没有明确的编程”来描述对象关系。

儿童学习概念的一种方式是通过将图像与图像联系起来，”研究的主要作者毛家元在一份声明中说。“能够以相同方式学习的机器需要更少的数据，并能更好地将其知识转移到新的场景中。”

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，并创建告知AI如何回答问题的“符号程序”(即指令)。第三个模块在场景中运行符号程序并吐出答案，在出错时更新模型。

研究人员根据斯坦福大学CLEVR图像理解测试集的相关问题和答案对图像进行了训练。(例如：“物体的颜色是什么?”和“有多少物体都在绿色圆柱体的右侧，并且与小蓝球具有相同的材料?”)随着模型的学习，问题逐渐变得越来越难，一次它掌握了对象级概念，该模型进一步学习如何将对象及其属性相互关联。

在实验中，它能够“几乎完美地”解释新的场景和概念，研究人员报告说，只用了5,000张图像和100,000个问题(与70,000张图像和700,000个问题相比)，轻松地超越了其他前沿的AI系统。该团队留待未来的工作改进其在真实世界照片上的表现，并将其扩展到视频理解和机器人操作。