夏乙 安妮 发自 凹非寺
量子位 出品 | 公众号 QbitAI

历时一年半的研发之后，新成果浮出水面 。

被称为人工智能“梦之队”的DeepMind，刚刚在Science上发表论文，提出一种像人类一样具备“脑补”世界能力的AI：GQN（Generative Query Network）。

GQN能够基于2D图像，重建/脑补出整个场景的3D表示。

“与婴儿和动物非常相似，GQN通过理解对周围环境的观察来学习。”DeepMind在官方博客中称这个学习方式，就像人类一样。

DeepMind的创始人兼CEO哈萨比斯表示，他一直都对大脑如何重现图像非常着迷，而这次提出的GQN模型可以根据几个2D快照重现3D场景表示，还能从任何角度渲染出来。



△ 哈萨比斯Twitter截图

这个AI高级在哪？

你可能已经从前边的描述中注意到，它是一种无监督学习模型，连训练的图像都是自己获取的。

而现在那些很厉害的计算机视觉系统，都是监督学习的成果，它们需要用人类制造的大规模标注图像数据集来训练，这就限制了数据集包含场景的范围，进而限制了这种数据所训练出来的视觉系统的能力。

论文一作、DeepMind研究员Ali Eslami说，监督学习超级成功，但它还是无法让人满足。有这样两个原因：第一，人类需要手动创建数据集来训练它，这种操作又贵又不全面；第二，人类婴儿和高级哺乳动物都不是这么学习的。

如果要开发在现实世界里可用的复杂机器，想让AI完全理解周边环境，知道能就近坐在哪、旁边的沙发是什么材质、地上的影子是哪个光源制造出来的、又该去哪关灯，就需要换一个思路。

DeepMind新提出的GQN，就是这样一种新思路。

两个网络

GQN模型由两部分组成：一个表示网络、一个生成网络。

表示网络将智能体观察到的图像作为输入，然后生成一个描述潜在场景的表示（向量）。

生成网络的任务是从一个之前没有观察到的角度，来预测（也可以叫“想象”）出这个潜在的场景。

表示网络并不知道人类会让生成网络从哪些视角来预测，所以，它必须有效地描绘出整个场景的真实布局。

在这个过程中，它会先构建一个简单的分布表示，抓住最重要的元素，比如物体的位置、颜色和整个房间的布局。在训练过程中，生成器了解了这个环境中典型的物体、特性、关系、规则。这些两个网络共享的“概念”让表示网络可以用高度压缩、概略的方式来描述场景，让生成网络在有必要的时候去补全细节。

比如说，一个蓝色立方体，在表示网络那里就是一组数字，而生成网络知道在不同角度该用怎样的像素来呈现它。

四大特性

DeepMind在模拟的三维世界中，基于多个程序生成的环境，对GQN进行了一系列受控实验。其中的多个物体的位置、颜色、形状、纹理、光源都是随机生成，并且伴随着重度的遮挡。

在这些环境中进行训练之后，GQN被用于新的场景。DeepMind在实验中，发现了GQN的几个重要特性。

第一，GQN能以非常精确的方式，从全新的视角“想象/脑补”出以前从未见过的场景。只要给出一个场景表示和新的摄像机视点后，GQN就能生成清晰的图像，无需实现规定透视、遮挡或光线规则。

效果请看下面几个演示，左边是观察到的2D图片，右边是GQN“脑补”出的世界。

第二，GQN学会对对象进行计数、定位和分类，而且无需任何对象级标签。尽管露出的表示部分可能非常小，但GQN的预测仍然高度准确，几乎可以乱真。这意味着GQN能够准确感知。

效果请看下图，同样左边是观察，右边是脑补：

第三，GQN能够表示、衡量和减少不确定性。即便内容不是完全可见，GQN也能应付场景中的不确定性，并将场景中的多个局部视图组合起来，形成一个整体。

这事儿挺难，人都不一定能做好。GQN能力如何？见下图所示。有一类是第一人称视角的预测：

有一类是自上而下的视角预测：

第四，GQN能够进行稳健、数据高效的强化学习。与无模型的基线智能体相比，把GQN的紧凑表示赋予最先进的强化学习智能体后，可以更加数据高效的方式完成任务。

对这些智能体而言，GQN中的信息可以看做是对环境的“先天”知识。

相关研究

GQN同样构建于诸多前人的探索基础之上，DeepMind正式列出的相关研究就达到128篇，而且声明仅列出了一小部分。

这些相关的研究从1971年，一直延续到2018年3月。

其中排在第一位的，也是曾经刊载在Science上的著名研究：心理旋转实验。这个实验表明：表象这一心理现象是客观存在的，外界刺激进入大脑并非进入黑箱，而这个实验也揭露了信息在大脑中进行加工的过程。

如果你对128篇相关研究感兴趣，传送门在此：

http://t.cn/RB9WmLX

与之前的研究相比，DeepMind展示了一种学习物理场景紧凑、基础表示的新方法，而且这个方法不需要特定领域工程或耗时的场景内容标记。也就是说，这个模型可以应用于各种不同的环境。

而且这个方法还雪城了一个强大的神经渲染器，可以从新的视角生成精确的场景图像。

当然DeepMind也在博客中表示，与更传统的计算机视觉技术相比，新方法仍然有很多限制，目前也只接受过合成场景的训练。

不过随着新的数据源出现，加之硬件能力的进展，DeepMind准备研究GQN在更高分辨率的真实场景中的应用。展望未来，DeepMind表示会探索GQN更多的场景理解能力，例如跨空间和时间学习物理和运动的常识概念，以及在虚拟和增强现实中的应用。

“尽管在实际应用之前还有非常多的研究需要完成，但我们相信这个工作是迈向完全自主场景理解的一大步。”DeepMind说。

多方评价

毕竟也是登上Science的论文了，DeepMind官宣几个小时后，在Twitter和Reddit收到了大量围观和评价。

“话痨”型谷歌大脑的研究人员David Ha称赞这是来自“梦之队”DeepMind的炫酷研究。“环境生成模型可为自动学习理解周围世界的机器铺平道路。”他给出了肯定评价。

日本AI独角兽Preferred Networks（PFN）联合创始人冈野原大辅（Daisuke Okanohara）认为，GQN通过几个视角的观察就能将3D世界表示成本征向量，又能从新视角重现出场景，“这项研究显示出神经网络可以通过无监督方式学习这样的能力，真是个突破。”



Twitter机器学习界网红AlteredQualia认为这是“相当疯狂的”的一项研究，澳大利亚数据科学家、psyoa.org董事会成员Tom Wallis评价GQN“在场景理解上效果惊人”……



虽然很多大牛力挺，但……Reddit上的很多程序员却认为这项研究没有所说的那么完美。

ID为court_of _ai的网友认为这项研究有些让他失望：

视觉效果不错，但也只是一个典型的过拟合练习。就用一堆玩具似的世界，用大量数据提炼出vanilla conditional deconvs。……但这怎么能算一个突破？

网友seann999认为，若想应用这项成果到实际研究中，那恐怕有点难度：

结果真的很酷，但是在典型的导航任务(比如IRL或3D迷宫游戏)中，你通常不会得到真实的当前相机视角/位置，所以我认为它应用起来非常困难。

仅从图像和动作序列进行三维表示学习和环境重构可能更具挑战性，特别是在随机环境中。

还有一些网友因此开始怀疑Science是不是给DeepMind放水了：

Deepmind技术性地“收买”了这些大型期刊，他们近期发表在《科学》/《自然》上的论文我们很难当真。他们的很多研究都非常棒，但为什么要这样炒作呢:（

论文传送门

Anyway，这篇论文还是非常值得一读，

传送门在此：
http://science.sciencemag.org/content/360/6394/1204.full

— 完 —

加入社群

量子位AI社群17群开始招募啦，欢迎对AI感兴趣的同学，加小助手微信qbitbot7入群；

此外，量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募，面向正在从事相关领域的工程师及研究人员。

进群请加小助手微信号qbitbot7，并务必备注相应群的关键词~通过审核后我们将邀请进群。（专业群审核较严，敬请谅解）

诚挚招聘

量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。

量子位 QbitAI · 头条号签约作者

վ'ᴗ' ի 追踪AI技术和产品新动态