正文
关系推理是一种运用逻辑，联系和比较位置、顺序以及其他实体的思维过程。人类通常十分擅长关系推理，但人工智能的两种主要模式——基于统计和基于符号计算的算法，在开发类似能力时进展十分缓慢。基于统计的 AI 算法——或者说机器学习——在图像识别领域表现十分出色，但它并没有运用到逻辑能力。基于符号计算的 AI 算法可以使用预定的规则进行关系推理，但在学习能力方面表现不佳。
神经网络的结构与神经元在大脑中的连接方式相似。它将简单的程序组合在一起，彼此协同，分析数据间的关系和规律。针对处理图像、分析语言和学习游戏等不同用途，神经网络具有不同的专门架构。DeepMind 开发出了全新的关系网络，以分析比较某一特定场景中的每一组对象。DeepMind 在伦敦的计算机科学家 Timothy Lillicrap 表示：“我们的目的很明确，就是推动该网络发现物体间存在的关系”。
Timothy 和他的团队让该网络挑战了几项任务，以测试其效力。第一项任务是分析某张图片中几个物体——比如立方体、球和圆柱体间的关系。测试人员会向该网络提问，比如：蓝色的物体前面的物体，和灰色金属球右边的微小青色物体形状是否相同。据雷锋网了解，为完成这一任务，关系网络结合了其他两种神经网络的能力：一种用于识别图片中的物体，另一种用于理解测试人员的提问。根据研究人员上周发表的一篇报告（论文下载）：在一系列测试中，其他机器学习算法的正确率只有 42%-77%，人类的正确率可达到 92%，而该关系网络的正确率高达 96%，已经超越了人类。
DeepMind 团队还用该网络挑战了基于语言的任务。测试中，该网络首先会接收到一些语句，比如 “Sandra 捡起足球”“ Sandra 去办公室”。然后测试人员向其提问 “足球在哪里”。在回答大多数问题时，该算法与其竞争算法表现相当，不过它在处理 “Lily 是一只天鹅，Lily 是白色的，Greg 也是一只天鹅，那么 Greg 是什么颜色” 之类的推理问题时表现更加出色。面对类似问题时，该算法的正确率高达 98%，而其他算法的正确率只有 45%。最后，研究团队还让该算法分析了一段动画，动画中有十个球弹来弹去，其中一些球通过不可见的弹簧或杠杆连接在一起。仅仅通过运动轨迹，该算法就能准确判断 90% 的连接。研究人员还通过这种方式训练该算法识别用移动的点代替的人群。
