馬特雷諾茲稱，世界是一個充滿困惑的地方，這一點在人工智能身上體現得尤為明顯。不過，英國人工智能公司DeepMind開發了一種神經網絡，這種神經網絡可以賦予計算機理解不同物體之間錯綜復雜關系的能力，這有助于后者理清所謂的世界困惑。

無論是在超市挑選最好的香蕉，還是拼湊犯罪現場收集的證據，人們總是習慣使用一種推理能力，即所謂的關系邏輯推理。這種推理把抽象關系（比如某種東西是否在另一種東西的左側；某種東西是否比另一種東西更大）從一個領域轉移到另一個領域，從而使人類獲得一個強大的心理工具，來更好地了解這個世界。

哈佛大學的計算神經科學家薩姆格什曼認為，這種關系邏輯推理能力是我們智力的一個基本組成部分。不過，人類的這種直觀產物對機器來說是很難理解的。對于人工智能來說，學習執行像識別圖像這樣特定的任務是一回事。但是，要是讓它們通過圖像識別將學到的技術知識轉化為文本分析——或任何其他推理任務——則是一個巨大的挑戰。

DeepMind開發出的這款多功能的機器將使人工智能更接近與人類一般智力水平，它所擁有的這種關系邏輯推理讓人類在許多不同的活動中脫穎而出。該公司建立了一個專門研究這種抽象推理的神經網絡，這種神經網絡還可以插入其他同類網絡，從而幫助后者建立起一種關系推理的能力。

研究人員利用圖像描繪出不同大小和顏色的三維形狀對人工智能進行了訓練。訓練過程中，人工智能會分析圖像中成對的物體，并試圖找出它們之間的關系。然后研究人員會對它們進行提問，比如“大球體右邊有個棕色金屬，棕色金屬右邊的圓柱有多大？”這些問題都需要精確的答案。該系統回答這些問題的正確率為95.5%——這個數據略優于人類。

為了證明它的多功能性，人工智能必須回答一些關于抽象推理的略帶小故事性質的問題，其正確率達到95%。不過，這項研究的負責人Adam Santoro表示，該系統的各項實際應用距離真正投入使用仍有很長一段路要走。

不過，它在計算機視覺方面已經初見成效。Santoro表示：“你可以想象一個應用程序，它能自動地為視覺受損的用戶描述特定圖像中正在發生的事情，甚至是視頻。”Gershman則認為，在一項小眾任務中的出色表現并沒有什么了不起。因為距離人工智能能真正在現實世界中發揮作用，我們還有很長一段路要走。Santoro對這種看法也表示同意。

DeepMind的人工智能在理解大小、顏色和形狀方面的差異的突破只是一個開端，需要抽象推理能力來完成的事情還有很多。Santoro說：“要消化異常豐富的現實世界數據，我們仍有很多工作要做。”

（本文由網易見外智能編譯平臺提供翻譯服務，英文來源：New Scientist ，作者：Matt Reynolds，審校：譚嘉琦）