AI科技评论按：DeepMind实验室发布名为符号-概念联合网络（Symbol-Concept Association Network，SCAN）的新型神经网络模型，可以让计算机模仿人类视觉和词汇获取的方法，通过重组学到的概念，来想象新的概念。
以下为 AI 科技评论根据DeepMind实验室文章进行解读。
大约二千五百年前，一个美索不达米亚商人收集了一些粘土、木材和芦苇，随着时间的推移，通过这些材料，他们发明了算盘，能够在商品交易过程中记录货物数量、理清资产，这带动了经济的蓬勃发展，也改变了人类社会。
那一刻的灵感也照亮了人类另一个惊人的能力：重组现有的概念，想象出全新的东西。不具名的的发明家思考他们想要解决的问题，建造奇妙的装置，收集原材料来创造新的东西。粘土能塑造成算盘的框架，棍子能用来把算珠串起来，芦苇可以编成算珠。算盘的每个组成部分都很常见，也各有区别，把他们用这种新的方式组合在一起，就出现了革命性的创造。
组合的思想是诸如创造力、想象力和语言表达等能力的核心。脑海中只要有少量熟悉的概念性模块，我们就能创造出大量新东西。我们将概念从具体到一般进行归类，形成不同层次，然后用新的方式重组层次里的不同部分。这种方式对我们来说很自然，但要将其应用于AI研究还是个挑战。
在DeepMind新的论文中，提出了一种新的理论性方法来解决这个问题。此外，他们还展示了一种称为符号-概念联合网络（Symbol-Concept Association Network，SCAN）的新型神经网络模型，这是首次通过模仿人类视觉和词汇获取的方法，学习自下而上的视觉概念层次，从而能够通过语言指令想象出全新的概念。
他们的方法可以总结为以下几点：
图：SCAN模型依据物体的个体区分、颜色和旋转、墙壁颜色、地板颜色等可表述的视觉特征等来学习，去表示视觉场景。
一旦模型能够根据可表述的视觉特征来解析世界，就进入学习过程中的命名阶段。这相当于婴儿的单词学习，大人开始为他们看到的各种东西提供单词符号标签。例如，在这个阶段，父母可能指着一个苹果对孩子说：“看，一个苹果！”同样的，对SCAN模型输入基础语言之后，它的经验也在增强。一张黄色墙壁背景下红色行李箱的图像将伴随着“红色行李箱、黄色墙壁”这样的符号输入。SCAN模型能够通过在前一阶段学习的视觉特征来构建抽象概念，进而学习新的概念。例如，苹果的概念可以根据其颜色、形状和大小来说明，而诸如位置和明暗等其他视觉特征则会被认定为与其无关。
命名阶段可以从任何层次学习视觉概念，同样也可用于向模型教授“和”、“忽略”和“共同”等这些概念重组操作，这种教授是通过向模型展示如何正确使用这些操作的例子来实现的。例如，“和”的意思可以通过向SCAN模型展示一张金冠苹果的图像，同时伴随“金冠苹果是黄色的和苹果” 这样的指令来训练。
一旦SCAN模型学习了一定数量的概念词汇，并学会通过符号性的指令来处理它们，它就能在词语形式的指示下，将常见的概念组合成新的概念，而不需要更多的图像作为例子。通过这些指令，SCAN可以想象出大量新的视觉概念，如蓝苹果（“蓝色的和苹果”）或不同种类的苹果（“澳洲青苹是金冠苹果，忽略黄色，和绿色”）
图：首先，SCAN模型通过语言指令连接概念层次——从“蓝色房间、红色地板、白色行李箱”这种具体的概念，到“行李箱”这种普遍的概念，再回到“黄色房间、粉红色地板、绿色行李箱“这种具体的概念。在每一步SCAN系统都会被要求想象出相应的概念（如图右所示）。最后，向它指示一个新的概念——“woog”。虽然从没看到过“woog”的例子，SCAN系统能成功地想象出它们看起来是什么样的（黄色房间、粉红色地板、绿色物体）。
图：图中左边是SCAN模型设想的“白色行李箱”的图像，右边是SCAN模型从“粉色房间、橙色地板、青色帽子”这张图像上产生的概念。
通过符号指示，来重组现有的概念，学习新概念，这赋予了人类惊人的能力，使其能够解释诸如宇宙、人文主义或美索不达米亚经济案例中的抽象概念。在成功实现这些概念性的飞跃之前，算法还有很长的路要走。我们的这项研究朝着算法的飞跃前进了第一步，即让算法在很大程度通过无监督的方式学习，就像人类一样思考，进行概念抽取。
via DeepMind Reasearch Blog，AI 科技评论编译
论文地址：https://arxiv.org/abs/1707.03389
