麻省理工学院-IBM沃森人工智能实验室、图兰大学和伊利诺伊州大学的研究人员本周公布了一项研究，允许计算机更紧密地复制基于人类的阅读理解和推理。 研究人员创造了他们称之为“突破性的神经符号方法”，将知识注入自然语言处理。 在纽约市举行的AAAI-20会议上宣布了这一做法。 推理和推理是人类和人工智能的核心，但许多企业人工智能系统仍然难以理解人类语言和文本包含，根据IBM的说法，这被定义为两个自然语言句子之间的关系。
自人工智能开始以来，有两个学派或“阵营”：一个集中在神经网络/深度学习的使用上，这在过去几年中是非常有效和成功的，麻省理工学院-IBM人工智能华生实验室主任David Cox说。 神经网络和深度学习需要数据和额外的计算能力才能茁壮成长。 数据数字化的到来推动了考克斯所谓的“神经网络/深度学习革命”。
象征人工智能是另一个阵营，它的观点是，你知道的世界有一些东西，你周围的原因，他说。 然而，考克斯说：“过去六年来，人们对人工智能的所有兴奋都是关于深度学习和神经网络的。” 现在，“有一个分组的想法，就像神经网络需要数据和计算来恢复活力一样，符号人工智能需要一些东西，”研究人员理论说，也许它需要的是神经网络，他说。 考克斯说，研究人员认为，这两个阵营可以相辅相成，并以富有成效的方式利用各自的优势和弱点。
我们在人工智能实验室做的工作是关于神经符号人工智能。 这是一种符号人工智能和神经网络的混合思想。
他说，这篇论文提供了一些例子，说明研究人员开始将经典的符号人工智能与来自神经网络的想法结合在一起。 例如，一个人会知道，如果有人说他们在外面散步，他们在里面吃午饭，这两种说法是矛盾的，考克斯说。 “我们发现这些是如此自然，但我们没有人工智能系统可以自然地”作出同样的解释。 这个团队将神经网络和符号人工智能混合在一起，使用一个组合系统来解决一个问题。 在论文中，研究人员写道，他们提出了一种方法，补充基于文本的包含模型，这是自然语言处理中的基本任务，来自外部知识来源的信息。 研究人员写道，外部知识的使用有助于模型的鲁棒性，并提高预测精度。 他们说，他们发现“与基于文本的多种包含模型相比，绝对提高了5-20%。” 情绪分析现在正在使用，考克斯说。 “相对理解浅文本会给出解决方案。” 但是，如果你读了一本科学教科书，然后试着通过一个测验，例如，你需要深入了解教科书中的数据实际上意味着什么。 他说：“研究小组发现，用神经网络将知识图（即已知事物的表示形式）注入神经网络，“比以前任何仅仅依靠没有知识图的神经网络的方法都要强大。” “这种思想的挖掘更加有效。 考克斯强调，研究人员正处于研究的早期阶段，但认为这是一种“我们认为会影响许多行业的技术”。