哈佛大学和MIT-IBM Watson AI Lab的研究人员发布了Clevrer，这是一个用于评估AI模型识别因果关系和进行推理的能力的数据集。本周在全数字国际表示学习会议(ICLR)上发表了一篇论文，分享了有关视频表示和推理CoLlision事件(Clevrer)数据集的初步发现。
Clevrer基础上Clevr，在2016年由一群来自斯坦福大学和Facebook AI Research发布，包括ImageNet创造者菲菲李医生分析神经网络的视觉推理能力的数据集。像MIT-IBM Watson Lab的Chuang Gan和Deepmind的Pushmeet Kohli这样的Clevrer创想者介绍了Neuro-Symbolic Concept Learner(NS-DR)，它是一年前在ICLR上应用于Clevr的一种神经符号模型。
“我们介绍了视频中时间和因果推理的系统研究。该论文写道，这个根深蒂固的，深刻的，根深蒂固的挑战性问题已经开始使用“现代”人工智能工具进行研究。“我们新推出的Clevrer数据集和NS-DR模型是朝着这个方向迈出的初步步骤。”
该数据集包括使用Bullet物理模拟器创建的桌面上20,000个碰撞对象的合成视频，以及有关视频中对象的自然语言问答集。超过300,000个问题和答案分为描述性，解释性，预测性和反事实性。
麻省理工学院-IBM沃森实验室主任戴维·考克斯(David Cox)在接受VentureBeat采访时说，他相信数据集可以在创建结合了神经网络和符号AI的混合AI方面取得进展。Cox说，IBM Research将把这种方法应用于IT基础架构管理和工厂和建筑工地等工业环境。
Cox说：“我认为这实际上对于几乎每种应用都非常重要。”“我们所看到的非常简单的世界是这些球在四处移动，这实际上是观察世界，了解该世界，能够制定如何使该世界发生事情的计划的第一步。因此，我们认为这可能会涉及许多领域，并且视觉和机器人技术确实是一个很好的起点。”
MIT-IBM Watson AI实验室成立于三年前，目的是寻找与广泛AI的一般主题相关的AI颠覆性进步。其中的一些工作(例如ObjectNet)强调了像ImageNet这样的深度学习成功案例的脆弱特性，但实验室的重点是神经网络与符号或经典AI的结合。
像神经网络一样，符号AI已经存在了数十年。考克斯认为，正如神经网络在等待正确的条件(足够的数据，充足的计算)一样，象征性AI也在等待神经网络以体验复兴。
考克斯说，两种形式的AI可以很好地互补，并且可以用更少的数据和更高的能源效率一起构建更强大，更可靠的模型。在今年年初与VentureBeat的一次对话中，IBM研究总监Dario Gil称神经符号AI是预计在2020年取得的最大进步之一。
您可以代表知识或程序，而不用像神经网络那样映射输入和输出，而无论结果是什么。考克斯(Cox)表示，这可能会使AI更好地解决现实问题。
“ Google有大量的数据，Amazon有大量的数据，但这很棒，但是绝大多数问题更像是困惑，我们认为，要向前迈进，并使AI真正超越构建系统所需的炒作能够做到这一点，具有逻辑成分，可以灵活地重新配置自己，可以对环境和实验进行操作，可以解释这些信息，并定义自己的内部世界心理模型，”考克斯说。
麻省理工学院与IBM Watson联合AI实验室成立于2017年，投资额为2.4亿美元。