强人工智能

人工智能已经非常擅长完成特定的任务，但它离强人工智能（编者注：强人工智能Artificial General Intelligence是指在各方面都能和人类比肩的人工智能，具备了意识、感知和智慧的人工智能，目前还只存在于理论中。）还有很长一段路要走，这是一种让人工智能在世界上导航的方式，就像人类甚至动物一样。

强人工智能的一个关键要素是抽象推理——超越“现在和现在”的思考能力，可以看到更细微的模式和关系，并进行复杂的思考。周三，DeepMind的研究人员发表了一篇论文，详细介绍了他们试图测量各种人工智能的抽象推理能力的尝试，并以此来衡量我们自己的推理能力。DeepMind是一家专注于人工智能的谷歌子公司。

人类智商

在人类中，我们使用相当直观的视觉智商测试来测量抽象推理。一个叫做Raven的渐进矩阵的流行测试，有几行图像，最后一行丢失了它的最终图像。由测试者根据已完成的行的模式选择接下来应该出现的图像。

测试并不能直接告诉测试者在图像中寻找什么——也许这个过程与每个图像中的对象的数量、颜色或位置有关。这是由他们自己来用他们的抽象推理能力来解决的。

为了将这个测试应用到人工智能，DeepMind的研究人员创建了一个程序，可以产生独特的矩阵问题。然后，他们训练了各种人工智能系统来解决这些矩阵问题。

最后，他们测试了系统。在某些情况下，他们使用与训练集相同的抽象因素的测试问题——比如训练和测试人工智能上的问题，这些问题需要它考虑每个图像中形状的数量。在其他情况下，他们使用测试问题合并不同的抽象因素比训练集。例如，他们可能会训练所需的人工智能问题考虑的数量在每幅图像的形状，然后测试它在那些需要考虑形状的位置计算出正确的答案。

测试结果并不理想

当训练问题和测试问题集中在相同的抽象因素上时，系统运行良好，75％的时间正确地回答了问题。然而，如果测试集与训练集不同，即使差异很小（例如，对带有深色物体的矩阵进行训练，并在带有浅色物体的矩阵上进行测试），人工智能的表现也非常差。

最终，该团队的人工智能测试显示，即使是当今最先进的人工智能，也无法解决我们没有训练过的问题。这意味着我们离强人工智能还有很长的路要走。但至少我们现在有了一种直接的方式来监控我们的进展。（编译丨吉吉）