麻省理工學院的人工智慧模型可以用最少的訓練資料自行捕捉物件之間的關係

深度學習系統透過挑選資料中的統計模式來運作——這就是它們解釋自己的世界觀的方式。然而，這種統計學習方法需要大量的輸入數據，並且在幫助深度學習系統將過去的知識應用到新情況方面並不是特別有用，這與符號人工智慧不同，符號人工智慧允許記錄製作模型所採取的步驟序列。比傳統方法用更少的數據做出決策。

• 「諾貝爾技術」獎頒給了教導人工智慧像人類一樣學習的軟體

麻省理工學院、麻省理工學院-IBM Watson AI 實驗室和DeepMind 的人工智慧科學家團隊進行的一項新研究表明，人工智慧訓練在應用於特定的符號任務（例如理解圖像的含義）時具有潛力。因此，在實驗中，科學家的人工智慧模型獲得了與物體相關的概念，例如顏色和形狀，然後利用這些知識來創建場景中許多物體之間的關係，同時只需要最少的訓練數據，並且不需要顯式編程。

「我們都知道，結合使用文字和插圖是幫助孩子學習和記住特定概念的有效方法。我們對這個AI符號模型的想法是一樣的。得益於此，該系統將需要更少的訓練數據，並且能夠更好地將其獲得的知識轉移到新的情境中。」該計畫負責人電腦科學家毛嘉元說。

• 谷歌研究人員讓人工智慧玩遊戲來改善強化學習

本質上，這個人工智慧模型由一個資訊接收組件和一個語言層組成，資訊接收組件將圖像轉換為基於物件的解釋，語言層從單字和句子中提取含義，然後創建“符號程式”，幫助人工智慧知道如何回答問題。此外，還會有第三個模組，在後台運行符號程式並提供答案，在人工智慧模型出錯時更新知識。

研究人員根據圖像並結合許多相關問題和答案來訓練這個人工智慧模型。人工智慧理解圖像的能力隨後由史丹佛大學監督。一般來說，人工智慧必須回答以下問題：物體的顏色是什麼？有多少個物體與另一個物體相鄰？還是這個物體是用什麼材料製成的？問題的複雜性自然會隨著AI模型的理解程度的提高而增加，而當它掌握了物件層級概念時，AI模型將學習如何將許多物件和物件的屬性連接在一起，這可以被認為是高級階段。

• Winnow 使用電腦視覺幫助減少食品加工中的浪費

在實驗中，該AI 模型被證明能夠幾乎完美地解釋新場景和概念，優於其他先進的AI 系統，同時僅使用5,000 張圖像和100,000 個問題（相比之下，傳統AI 模型需要約70,000 張影像和700,000 個問題） 。未來，研究人員的主要工作將是提高AI模型在理解現實世界照片方面的性能，然後逐步走向視訊和機器人操控。