人類利用對(duì)物理世界的隱含理解來(lái)預(yù)測(cè)物體的運(yùn)動(dòng) - 并推斷它們之間的相互作用。如果你看到三個(gè)框架顯示罐頭傾倒 - 一個(gè)罐子整齊地堆疊在一起，第二個(gè)用手指在堆棧的底部，第三個(gè)顯示罐子在它們的側(cè)面 - 你可能會(huì)猜到手指對(duì)他們的死亡負(fù)有責(zé)任。

機(jī)器人努力實(shí)現(xiàn)這些邏輯上的飛躍。但在麻省理工學(xué)院計(jì)算機(jī)科學(xué)與人工智能實(shí)驗(yàn)室的一篇論文中，研究人員描述了一個(gè)系統(tǒng) - 被稱為時(shí)間關(guān)系網(wǎng)絡(luò)(TRN) - 它基本上學(xué)習(xí)了物體如何隨時(shí)間變化。

他們不是第一個(gè)這樣做的人 - 百度和谷歌是調(diào)查人工智能輔助時(shí)空建模的公司之一 - 但麻省理工學(xué)院的團(tuán)隊(duì)聲稱他們的方法在以前方法的準(zhǔn)確性和效率之間取得了很好的平衡。

“我們建立了一個(gè)人工智能系統(tǒng)來(lái)識(shí)別物體的變形，而不是物體的外觀，”該報(bào)的第一作者Bolei Zhou告訴麻省理工學(xué)院新聞。“系統(tǒng)不會(huì)遍歷所有幀 - 它會(huì)拾取關(guān)鍵幀[原文如此]，并使用幀的時(shí)間關(guān)系識(shí)別正在發(fā)生的事情。這提高了系統(tǒng)的效率，使其準(zhǔn)確實(shí)時(shí)運(yùn)行。“

研究人員在三個(gè)數(shù)據(jù)集上訓(xùn)練了卷積神經(jīng)網(wǎng)絡(luò) - 一類非常擅長(zhǎng)分析視覺(jué)圖像的機(jī)器學(xué)習(xí)模型：TwentyBN的Something-Something，包含174個(gè)動(dòng)作類別中的20,000多個(gè)視頻; 杰斯特，有15萬(wàn)個(gè)視頻，有27個(gè)手勢(shì); 和卡內(nèi)基梅隆大學(xué)的Charades，包括10,000個(gè)視頻，包括157個(gè)分類活動(dòng)。

然后，他們將網(wǎng)絡(luò)放在視頻文件上，它通過(guò)按組排序幀進(jìn)行處理，并指定屏幕上的對(duì)象與學(xué)習(xí)活動(dòng)相匹配的概率 - 例如撕開(kāi)一張紙或舉手。

那怎么辦?由于信息量有限，該模型設(shè)法實(shí)現(xiàn)了Jester數(shù)據(jù)集的95%%準(zhǔn)確率，并且在預(yù)測(cè)活動(dòng)方面優(yōu)于現(xiàn)有模型。在處理了25%%的視頻幀后，它超越了基線，甚至設(shè)法區(qū)分了“假裝打開(kāi)書”和“打開(kāi)書”之類的行為。

在未來(lái)的研究中，團(tuán)隊(duì)計(jì)劃通過(guò)實(shí)現(xiàn)對(duì)象識(shí)別和添加“直觀物理”來(lái)改進(jìn)模型的復(fù)雜性 - 即理解對(duì)象的真實(shí)世界屬性。

“因?yàn)槲覀冎肋@些視頻中的很多物理知識(shí)，我們可以訓(xùn)練模塊來(lái)學(xué)習(xí)這些物理定律，并用它來(lái)識(shí)別新的視頻，”周說(shuō)。“我們還開(kāi)源所有代碼和模型?；顒?dòng)理解現(xiàn)在是一個(gè)令人興奮的人工智能領(lǐng)域。