马特雷诺兹称，世界是一个充满困惑的地方，这一点在人工智能身上体现得尤为明显。不过，英国人工智能公司DeepMind开发了一种神经网络，这种神经网络可以赋予计算机理解不同物体之间错综复杂关系的能力，这有助于后者理清所谓的世界困惑。

无论是在超市挑选最好的香蕉，还是拼凑犯罪现场收集的证据，人们总是习惯使用一种推理能力，即所谓的关系逻辑推理。这种推理把抽象关系（比如某种东西是否在另一种东西的左侧；某种东西是否比另一种东西更大）从一个领域转移到另一个领域，从而使人类获得一个强大的心理工具，来更好地了解这个世界。

哈佛大学的计算神经科学家萨姆格什曼认为，这种关系逻辑推理能力是我们智力的一个基本组成部分。不过，人类的这种直观产物对机器来说是很难理解的。对于人工智能来说，学习执行像识别图像这样特定的任务是一回事。但是，要是让它们通过图像识别将学到的技术知识转化为文本分析——或任何其他推理任务——则是一个巨大的挑战。

DeepMind开发出的这款多功能的机器将使人工智能更接近与人类一般智力水平，它所拥有的这种关系逻辑推理让人类在许多不同的活动中脱颖而出。该公司建立了一个专门研究这种抽象推理的神经网络，这种神经网络还可以插入其他同类网络，从而帮助后者建立起一种关系推理的能力。

研究人员利用图像描绘出不同大小和颜色的三维形状对人工智能进行了训练。训练过程中，人工智能会分析图像中成对的物体，并试图找出它们之间的关系。然后研究人员会对它们进行提问，比如“大球体右边有个棕色金属，棕色金属右边的圆柱有多大？”这些问题都需要精确的答案。该系统回答这些问题的正确率为95.5%——这个数据略优于人类。

为了证明它的多功能性，人工智能必须回答一些关于抽象推理的略带小故事性质的问题，其正确率达到95%。不过，这项研究的负责人Adam Santoro表示，该系统的各项实际应用距离真正投入使用仍有很长一段路要走。

不过，它在计算机视觉方面已经初见成效。Santoro表示：“你可以想象一个应用程序，它能自动地为视觉受损的用户描述特定图像中正在发生的事情，甚至是视频。”Gershman则认为，在一项小众任务中的出色表现并没有什么了不起。因为距离人工智能能真正在现实世界中发挥作用，我们还有很长一段路要走。Santoro对这种看法也表示同意。

DeepMind的人工智能在理解大小、颜色和形状方面的差异的突破只是一个开端，需要抽象推理能力来完成的事情还有很多。Santoro说：“要消化异常丰富的现实世界数据，我们仍有很多工作要做。”

（本文由网易见外智能编译平台提供翻译服务，英文来源：New Scientist ，作者：Matt Reynolds，审校：谭嘉琦）