伊万·斯穆克 / 尚特斯托克
多亏了我们的大脑这个超级计算机，我们才能在图像和情境之间做出闪电般快速的推断和联想。但对于真正的计算机来说，同样的任务要困难一些。这种高级的视觉处理需要强大的人工智能 (AI) — 执行类似人类认知任务的能力，如推理、概括和从过去的经验中学习。
然而，自 2013 年夏季以来，NEIL（永无止境的图像学习者）一直在卡内基梅隆大学努力工作，分析来自互联网各地的图像，并形成它们之间的关系。该系统变得越好，我们就越接近真正强大的人工智能和智能技术的新时代。
NEIL由两个计算机集群组成，总共有 200 个处理核心，它被编程为将其数据库组织成三个类别：对象（如计算机或卡罗拉）、场景（小巷或教堂）和属性（蓝色或现代）。
研究人员让 NEIL 自行分析在线图像，使用一种算法来建立联系——这是其 AI 的核心。这些联系包括对象-对象关系（“眼睛是婴儿的一部分”）、场景-对象关系（“公共汽车在汽车站被发现”）、对象-属性关系（“披萨是圆形的”）和场景-属性关系（“小巷是狭窄的”）。然后，NEIL 将这些关系添加到其数据库中，为其提供更多数据，以便它能够更好地发现新的关联。
“收集视觉常识是一个极其困难的问题，”NEIL 项目的首席调查员阿比纳夫·古普塔说。“这个问题被认为是 AI 中最难的问题之一，因为常识的广度和丰富性是巨大的。”
古普塔说，开发策略（如 NEIL 的学习算法）非常重要，以便在机器越来越融入我们的生活时，让计算机能够识别、分类和响应图像：“在过去的十年中，AI 研究人员在计算机视觉领域取得了巨大进步。例如，对象和场景识别。NEIL 是朝着制造真正智能机器的长期梦想迈出的一小步。”
虽然 NEIL 可能会有一天学会建立新型的联系——古普塔的团队希望开发该软件的新应用——但该项目没有真正的终点。“以类似于人类的方式，”古普塔说，“我们希望 NEIL 能够永无止境地学习。”到目前为止，NEIL 已经分析了超过 1000 万张图像，并创建了 5000 个可能的图像关系。正如右侧的一些例子所示，有时 NEIL 在连接图像背后的概念方面做得很好，有时…… 却不尽如人意。
NEIL 及格了吗？
一些图像学习 AI 的“最佳表现”（和失误），按从最佳猜测到最差失败排序。
[本文最初以“这台计算机总是在上学”的标题发表。]
