1樓：甄景賢
看似很基本 (rudimentary)，但我們要急起直追，否則會太落後。
可以將 entity-relation graph 分拆成很多邏輯命題，每個 node-link-node = 1 個命題。
但這也有問題，例如：
「貓1 追貓2」
「貓1 是鄰家的貓」
「貓2 是野貓」
有若干解決方法，當然我們希望選擇最 elegant 那種。
現在 deep learning 帶來前所未有的優勢是： 我們不再需要設計那種經典 AI 中有 "label" 的那些資料結構，例如 "is-a" link 這東西。 換句話說，現在是「後結構主義」時代 —— 結構是用抽象的方式定義，不需要人類過多的 annotations。
我們 AI 設計者給出抽象的結構框架，然後細節由機器 learn 出來。
Deep network 輸入 vector，輸出 vector，它不能直接作用在乙個 graph 上面，尤其是當這 graph 不斷在改變，增加或減少 nodes and links。 我現在思考的是可不可以利用 superposition 原理，將很多命題 vectors 疊加在一起，於是整個 graph 變成一支 vector。 但我暫時不敢說這個方案可行，或者是不是比其他做法優勝。
個人認為 transfer learning 並不是重點，因為更重要的是所謂 "learn from instructions"，例如說「不要吃汙糟的食物，會肚子痛」，又或者「不聽老人言，吃虧在眼前」等。 我們用 NN act on vector，但有時這 vector 本身即代表乙個 actionable 的 rule，換句話說，這 vector 本身就是 NN 的一部分，它應該直接「被納入」NN 裡面，而不是 NN act on 它。 換句話說，將語言的 raw data 直接轉換成 NN 中的知識。
暫時我仍未能解決這問題。
2樓：月光寶盒娛樂頻道
除了稍微有點思想，沒有本質上的思考和設計。
= addition on June 14, 2017哎，這樣寫太短還是被人踩了，竟然給摺疊了。好吧，加幾句解釋一下，立此存照，留給未來檢驗。
Reasoning 這件事的本質到底應該走symbolist 還是connectionist 路線是個重要問題。至少目前更主流的看法是人類是通過符號推理的。這也是為什麼邏輯和formal language 之類的符號主義高度發展，其地位無法撼動。
當然這並不能否定用connectionist 就實現不了推理。俺其實不排斥用connectionist 實現推理的想法，俺甚至覺得這是connectionist 目前最需要攻克的問題。
但這篇文章沒有試圖從本質上探索什麼樣的distributed representation 能夠支援推理。從視野到設計都拿不出檯面。拼湊乙個模型，弄個簡單的資料集跑跑實驗，小玩鬧而已。
Time will tell.
如何評價 DeepMind 最新成果 Alpha Star 的表現？
賢魚 瀉藥。昨晚看錄影看到對mana的第二場，按照老仙的說法或者我的理解是alphastar在摩擦了tlo這個凱子後過 學習 了兩周才來打的mana。這其中的進步肯定是毋庸置疑的，甚至是快到了一種令人髮指的地步。第一局不偵查不堵口，建築學也是一塌糊塗，講道理自爆球炸自己這種操作我上我行 然而當對陣m...
如何評價 DeepMind推出的利用機器學習診斷三種常見眼疾的新演算法
許塵 效益上來講，技術成熟之後，可以利用機器取代人力，降低成本，畢竟乙個機器交點電費保證運轉就得了，或許還要找個操作員 提高診斷效率。但是，診斷疾病全程由機器來，也不能保證100 正確率，畢竟機器學習只能學習現有的東西，人體還有不被現代醫學所知道的秘密。所以，我覺得，最好的還是，機器與人力相結合，一...
如何評價 DeepMind 和暴雪新開源的星際爭霸 2 機器學習平台？
貝殼 圍棋本身就是個抽象遊戲，可以很方便的轉換為乙個19 19的矩陣。星際要複雜的多。但是我感覺deepmind的野心過於強大了，非要用強化學習從0開始解決一切 我覺得還需要一些基本的，經濟 戰力 策略 戰鬥的基礎演算法然後綜合排程，而不是從0開始抽象所有這些。這個距離最終勝利的路徑太遠了。 LLL...