这个AI模型用最少的训练数据学习对象之间的关系

上图：研究人员训练了一个混合AI模型来回答诸如“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。

深度学习系统从数据中挑选出统计模式——这就是他们解释世界的方式。但是统计学习需要大量的数据，而且并不是特别擅长将过去的知识应用到新情况。符号人工智能用比传统方法更少的数据记录下做出决策所采取的一系列步骤。

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，”研究的主要作者在一份声明中表示， “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迁移到新的场景中。”

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，在模型出错时更新模型。

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。该团队将在未来的工作中改进其在真实照片上的表现，并将其扩展到视频理解和机器人操作。