超维计算与人工智能(4)

“我们说，"这真的是...视觉抽象推理的杀手锏，让我们跳进去，"“拉希米说。
为了使用超维计算解决这个问题，该团队首先创建了一个超向量字典来表示每个图像中的对象;字典中的每个超向量表示一个对象及其属性的某种组合。然后，该团队训练了一个神经网络来检查图像并生成一个双极超向量——一个元素可以是 1 或 -1——它尽可能接近字典中超向量的一些叠加;因此，生成的超向量包含有关图像中所有对象及其属性的信息。“你引导神经网络进入一个有意义的概念空间，”拉希米说。
一旦网络为每个上下文图像和空白槽的每个候选图像生成了超向量，另一种算法就会分析超向量，以为每个图像中的对象数量、大小和其他特征创建概率分布。这些概率分布说明了上下文和候选图像的可能特征，可以转换为超向量，允许使用代数来预测最有可能的候选图像来填补空缺。
他们的方法在一组问题上的准确率接近88%，而仅神经网络解决方案的准确率不到61%。该团队还表明，对于3×3网格，他们的系统比使用符号逻辑规则进行推理的传统方法快近250倍，因为该方法必须搜索庞大的规则手册以确定正确的下一步。

充满希望的开始

超维计算不仅赋予我们象征性地解决问题的能力，而且还解决了传统计算中的一些琐碎问题。如果由随机位翻转（0变为1，反之亦然）引起的错误无法通过内置纠错机制进行纠正，则当今计算机的性能会迅速下降。此外，这些纠错机制可能会对性能造成高达25%的损失，维拉诺瓦大学的计算机科学家Xun Jiao说。
超维计算可以更好地容忍错误，因为即使超向量遭受大量随机位翻转，它仍然接近原始向量。这意味着使用这些向量的任何推理在面对错误时都不会受到有意义的影响。Jiao的团队已经证明，这些系统对硬件故障的容忍度至少是传统ANN的10倍，而传统ANN本身的弹性比传统的计算架构高出几个数量级。“我们可以利用所有这些弹性来设计一些高效的硬件，”焦说。
超维计算的另一个优点是透明度：代数清楚地告诉你为什么系统选择了它所做的答案。对于传统的神经网络来说，情况并非如此。Olshausen，Rahimi和其他人正在开发混合系统，其中神经网络将物理世界中的事物映射到超向量，然后超维代数接管。“像类比推理这样的事情就落在你的腿上，”奥尔斯豪森说。“这是我们应该对任何人工智能系统的期望。我们应该能够理解它，就像我们理解飞机或电视机一样。