麻省理工学院AI模型：只需少量的训练数据就能学习对象之间的关系

  【雷竞技须安全稳定 网络频道】深度学习往往需要大量的数据，不然就会出现过度拟合。然而，获取大规模数据往往非常困难，而且深度学习并不是特别擅长将过去掌握的知识应用于新的情况。与传统方法不同，符号AI可以用更少的数据，记录下为做出决策所采取的一系列步骤。

  据外媒报道，麻省理工学院、Watson AI实验室以及DeepMind的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具有很大的潜力。他们说，在测试中，他们的混合模型学习了与颜色和形状等对象相关的概念，利用这些知识在一个场景中用最少的训练数据和“无显式编程”来推测对象关系。

  符号AI研究论文的主要作者Jiayuan Mao在一份声明中说：“儿童学习一种概念的方式是将词汇和图像联系起来，但符号AI模型与儿童相比，学习同一种概念需要的数据要少得多，并能更好的将知识转化应用到新的场景中。”

  该团队的模型包括一个将感知组件(该组件将图像转换为基于对象的表示)，以及一个语言层(该语言层从单词和句子中提取含义，并创建告知AI如何回答问题的“符号程序”，即指令)。模型的第三个模块在场景中运行符号程序，并给出答案，当模型出错时就对其进行更新。

  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？以及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，问题会变得越来越难，一旦它掌握了对象级概念，该模型就开始学习如何将对象及其属性相互关联。

研究人员训练了一个混合AI模型来回答“绿色立方体左边的红色物体与紫色哑光物具有相同形状吗？”之类的问题

  在实验中，符号AI模型能够几乎完美地解释新的场景和概念。据研究人员报告，符号AI模型整个训练过程，只用了5000张图像和10万个问题，就轻松地超越了其他前沿的AI系统。该团队将在未来的工作中进一步改进符号AI模型在真实照片上的表现，并将其扩展应用到视频理解和机器人操作上。