读了几百篇论文后,IBM沃森成为了仿生设计专家

Watson Engagement Advisor人工智能系统被训练来从生物学文章中「学习」仿生设计,然后回答问题。

Watson Engagement Advisor人工智能系统被训练来从生物学文章中「学习」仿生设计,然后回答问题。

乔治亚理工学院的研究者与学生团队一起,训练了Watson Engagement Advisor。这是IBM的沃森的云端版本。通过训练,它可以回答关于仿生学的问题——这是一种模仿生物系统来发明技术系统的设计范式。

Ashok Goel是乔治亚理工交互计算学院的教授,他的研究方向是创新计算(computational creativity)。2015年春季,在仿生设计和创新计算课程上,他将这个版本的沃森当做「智能研究助理」,进行实验。Goel发现,沃森能够搜索自然语言信息,这个能力使它在复杂话题方面迅速成长,并能更好地决定某个想法或假说是否值得进一步研究。

智能研究助理

在课题中,学生们向沃森输入了几百篇生物学文章,这些文章都来自交互式生物资源库Biologue。除此之外,还输入了1200个问答对。接着,他们向沃森提问,问题都是关于它所「学过」的这些研究,领域涉及到工程、建筑学、系统学和计算方面的涉及挑战。

这些问题的例子:

「你如何才能建造一个更好的海水淡化程序?」(动物对此有许多自己的答案,例如海鸥能从特殊的腺体析出海水盐。)

「如何才能为长期太空旅行建造更好的太阳能电池?」其中一个回答是:学习严酷环境中的植物的做法,使用耐高温纤维绝缘材料来调节温度。

沃森表现得像一个智能的共振板,引导着学生。否则,如果光靠他们自己对自己领域外的大量研究成果进行语义分析,将是一个困难的任务。

这个版本的沃森还能提示用户使用不同的方法来问问题,以获得更好的结果。这些结果组合起来,很像一个「树梢」,每个答案就是一片「叶子」,其尺寸根据权重的不同而不同,目的是让普通用户能更容易地获取某个话题的答案。

Goel说:「想象一下,如果你可以问谷歌一个复杂的问题,而它竟然能够立刻回答你——而不是给你一串链接,让你自己打开。这就是我们对沃森所做的事。它能把与问题有关的概念迅速整合为一个容易理解的可视化地图,并呈现出每个概念的相关度。我们能够赋予沃森更多语义和语境的意义,给出一些与AI对话的概念。」

Goel相信,通过这个方法,沃森能够辅助各个领域的专业人员。当他们问问题时,能迅速从沃森这里获得答案,就像在一个自然的对话中一样。下一步,他计划探索沃森在其他领域的应用,例如在线教育和医疗。

这项成果公布在美国人工智能协会(AAAI)的秋季研讨会上。

机器之心,最专业的前沿科技媒体和产业服务平台,每日提供优质产业资讯与深度思考,欢迎关注微信公众号「机器之心」(almosthuman2014),或登录机器之心网站www.almosthuman.cn查看更多精彩内容。