一旦符号-概念关联网络学会了词汇的概念，学会了通过符号指令操纵它们的方式，开发者就可以通过口头指令使其将熟悉的概念重组成新概念，而不需要更多的图片作为输入样例。

通过这些指令，符号-概念关联网络可以想象出大量新颖的视觉概念，如苹果的颜色（“蓝色苹果”意味着“蓝色”和“苹果”两种属性）或苹果的种类。

图丨符号-概念关联网络通过语言指令遍历概念层次，从像“红色地板的蓝色房间有一个白色手提箱”这样的具体概念到更一般的概念“手提箱”，然后再回到一个更加具体的概念“一个有粉色地板的黄色房间有一个绿色手提箱”。在每一次遍历过程中，都要求符号-概念关联网络想象对应的概念。最后，开发人员要求符号-概念关联网络理解“西装”这个词的概念，虽然它从来没有见过西装，但是它却能够想象出西装的大致样子。

这项工作不同于先前的工作: 这项工作完全基于感官数据并能够从极少的样例（图片-单词对）中学习。深度学习虽然能学习概念，但需要成千上万张图片样例。

符号-概念关联网络主要从无监督的观察中学习视觉元素和抽象的概念；对于标签化的数据，仅仅需要5个样例就可能学会一个概念。一旦训练完成，该网络能够产生与特定图像相对应的不同概念，也能够想象与特定概念相对应的对象，即使之前它并没有接触过这些概念。

图丨符号-概念关联网络想象的“白色手提箱”的可能样子；右图：从“橙色地板的粉色房间中有一个青色帽子”的图像中产生的概念。

利用符号指令，重组已有概念并形成新概念的能力使机器能够理解像“宇宙”、“人文主义”、“经济学”这样的抽象概念，这是一种惊人的能力。尽管DeepMind的算法还有很长一段路要走，但是这项工作很大程度上证明了算法能够以无监督的方式学习，并能够思考类似于人类使用的那些抽象概念。

-End-

参考：

https://deepmind.com/blog/imagine-creating-new-visual-concepts-recombining-familiar-ones/

https://arxiv.org/abs/1707.03389

欲知会员计划详情，请点击以上图片