研究人員正在測試演算法在學習中所展現出類似人類智慧的演算法。
AlphaGo和無人駕駛汽車是非常聰明的， 但對於一般性的人工智慧來說， 這兩種人工智慧的形式還不算是取得的一個很大的飛躍。 幸運的是， 一些人工智慧的研究人員正在積極尋找能拓展機器智慧的方法。
DeepMind的研究人員創造了一個機器人圍棋冠軍AlphaGo， 他們正致力於尋找一種方式， 來證明機器在使用的過程中能像我們一樣富有智慧是非常重要的。
Alphabet附屬公司的研究人員講述了他們在教會電腦最基本的人類智力——如關係推理能力，
簡單地說， 關係推理是一種能思考概念在腦海中的呈現形式之間關係的能力， 如物體， 單詞或想法。 這種推理能力對人類認知的發展至關重要， 並且對於解決任何問題都是至關重要的。
大多數現有的機器學習系統並不會試圖去瞭解不同概念之間的關係。 例如， 視覺系統可以識別出圖片中的狗或貓， 但不知道此時狗是正在追逐著貓的。
DeepMind開發的兩個系統通過修改現有的機器學習方法解決了這類問題， 使系統自身能夠去瞭解靜態物件之間的物理關係以及那些隨時間所移動的物件的行為。
他們演示了CLEVR（一個簡單物件的資料集）的第一個功能。 在實驗結束後， 研究人員可以詢問系統是否有一個物體在另一個物體之前，
在第二篇論文中， 研究人員展示了修改後的機器學習系統是如何學習在二維空間中預測簡單對象的行為。 例如， 我們在三維空間中經常做這樣的事情：抓住一個球或開車。 事實上， 心理學實驗表明， 當預測到了某個動作將會產生的影響時， 人類會使用“直覺物理”引擎。 這比簡單地辨別場景中的物件是什麼要複雜得多。
雖然這些可能並不是那種會讓人眼前一亮的突破， 但是這種研究正是現在所需要進行的。 像如今的人工智慧一樣令人印象深刻的是，
哈佛大學研究智力的心理學教授Sam Gershman說， 如果我們想讓人工智慧更加人格化， 我們需要更多地去考慮模仿人類智慧。
“我們的大腦以物件， 媒介和事件之間的關係代表著整個世界， ”他通過電子郵件這樣對MIT Technology Review說到。 “以這種方式代表整個世界， 很大程度上限制了我們使用從資料中得出的推論， 使學習某些東西變得更難， 而學習另一些東西又變得更加簡單。 所以在這個意義上講， 這項工作是朝著正確方向邁出的一步：建立人格化的制約因素， 使機器能夠更輕鬆地學習那些對人類來說是本能的任務。
然而， Gershman 同時也警告說不要誇大DeepMind工作的意義。 他說：“任何特定機器學習任務的過人表現並不意味著他們超過了人類的智慧。
關係推理也只是人類智力的一個要素。 Gershman 等人去年寫了一篇文章， 探討了人工智慧與人類智力相比還有哪些不足。 例如， 他們指出除了關於關係的推理， 人類的能力還有語意合成， 或者是調動現有知識來想出解決問題的新方法。
Gershman說：“關係推理是人類智慧的必要條件， 但這個條件對人類來說並不足夠。 ”