两种相互竞争的人工智能方法结合起来，让机器像孩子一样了解世界

深度学习和象征性推理共同创造了一种以非常人性化的方式学习的程序。

自人工智能诞生以来的几十年里，该领域的研究分为两大阵营。“符号学家”试图通过编写世界的逻辑规则和表示来构建智能机器。受生物学启发，“连接主义者”寻求构建人工神经网络，以了解世界。从历史上看，这两个群体并没有和睦相处。

但是来自麻省理工学院、IBM和DeepMind的一篇新论文显示了将这两种方法结合起来的强大力量，或许为该领域指明了一条前进的道路。麻省理工学院大脑、心智和机器中心的乔什·特南鲍姆教授领导的研究小组开发了一个名为“神经符号概念学习者”(NS-CL)的计算机程序，它可以像孩子一样通过观察和交谈来学习世界(尽管是一个简化版)。

这个系统由几个部分组成。一个神经网络是在一系列由少量物体组成的场景上训练的。另一个神经网络是针对一系列基于文本的场景问答对进行训练的，比如“球体的颜色是什么? 答：红色。”这个网络学会将自然语言的问题映射到一个简单的程序上，这个程序可以在一个场景中运行，从而产生一个答案。

NS-CL系统也被编程来理解文本中的符号概念，如“对象”、“对象属性”和“空间关系”。这些知识帮助NS-CL回答关于不同场景的新问题，而这是一种仅使用连接主义方法就更具挑战性的成就。因此，系统可以识别新问题中的概念，并将它们与之前的场景在视觉上联系起来。

“这是一个令人兴奋的方法，”纽约大学助理教授布伦登·莱克说。神经模式识别允许系统看到，而符号程序允许系统推理。总之，这种方法超越了当前深度学习系统的能力。”

换句话说，混合系统通过组合这两种方法来解决早期方法的关键限制。它克服了象征符号的可伸缩性问题，而象征符号在历史上一直难以有效地编码人类知识的复杂性。但它也解决了神经网络最常见的一个问题：它们需要大量数据。

通过输入数百万个例子作为训练数据，仅仅训练一个神经网络来回答关于场景的问题是可能的。但是人类的孩子并不需要如此大量的数据来理解一个新对象是什么或者它与其他对象之间的关系。而且，以这种方式训练的网络对所涉及的概念没有真正的理解——它只是一个庞大的模式匹配练习。因此，这样的系统在面对新场景时很容易犯非常愚蠢的错误。这是当今神经网络的一个常见问题，也是很容易暴露的缺点。

连接主义纯粹主义者可能会反对这样一个事实，即系统需要硬编码一些知识。但这项工作很重要，因为它让我们离设计一种更像我们自己的智能形式更近了一步。认知科学家认为，人类的大脑也会经历一些类似的步骤，而这正是人类学习灵活性的基础。

更实际地说，它还可以开启人工智能的新应用，因为新技术所需的训练数据要少得多。例如，机器人系统最终可以即时学习，而不是花大量时间为它们所处的每个独特环境进行训练。

“这真的很令人兴奋，因为它将让我们摆脱对大量标记数据的依赖，”麻省理工学院- ibm沃森人工智能实验室(MIT-IBM Watson AI lab)负责人大卫•考克斯(David Cox)表示。

这项研究背后的研究人员现在正在开发一种可以拍摄真实场景照片的版本。这对于计算机视觉的许多实际应用是有价值的。