DeepMind开发了一项可衡量AI推理能力的测试

强劲人工智能人工智能早已十分擅长于已完成特定的任务，但它离强人工智能（编者注：强劲人工智能ArtificialGeneralIntelligence是所指在各方面都能和人类媲美的人工智能，不具备了意识、感官和智慧的人工智能，目前还只不存在于理论中。）还有很长一段路要回头，这是一种让人工智能在世界上导航系统的方式，就像人类甚至动物一样。强劲人工智能的一个关键要素是抽象化推理小说——打破“现在和现在”的思维能力，可以看见更加微小的模式和关系，并展开简单的思维。

周三，DeepMind的研究人员公开发表了一篇论文，详尽讲解了他们企图测量各种人工智能的抽象化推理小说能力的尝试，并以此来取决于我们自己的推理小说能力。DeepMind是一家专心于人工智能的谷歌子公司。人类智商在人类中，我们用于非常直观的视觉智商测试来测量抽象化推理小说。一个叫作Raven的趋向矩阵的风行测试，有几行图像，最后一行遗失了它的最后图像。

由测试者根据已完成的讫的模式自由选择接下来应当经常出现的图像。测试并无法必要告诉他测试者在图像中找寻什么——或许这个过程与每个图像中的对象的数量、颜色或方位有关。这是由他们自己来用他们的抽象化推理小说能力来解决问题的。

为了将这个测试应用于到人工智能，DeepMind的研究人员创立了一个程序，可以产生独有的矩阵问题。然后，他们训练了各种人工智能系统来解决问题这些矩阵问题。最后，他们测试了系统。

在某些情况下，他们用于与训练集完全相同的抽象化因素的测试问题——比如训练和测试人工智能上的问题，这些问题必须它考虑到每个图像中形状的数量。在其他情况下，他们用于测试问题拆分有所不同的抽象化因素比训练集。例如，他们可能会训练所需的人工智能问题考虑到的数量在每幅图像的形状，然后测试它在那些必须考虑到形状的方位计算出来出有准确的答案。

测试结果并不理想当训练问题和测试问题集中于在完全相同的抽象化因素上时，系统运营较好，75％的时间正确地问了问题。然而，如果测试集与训练集有所不同，即使差异较小（例如，对具有深色物体的矩阵展开训练，并在具有浅色物体的矩阵上展开测试），人工智能的展现出也十分劣。最后，该团队的人工智能测试表明，即使是当今最先进设备的人工智能，也无法解决问题我们没训练过的问题。

这意味著我们离强人工智能还有很长的路要回头。但最少我们现在有了一种必要的方式来监控我们的进展。

本文来源：必威手机APP-www.186082.com