图丨DeepMind论文配图，机器学习对各项物理系统的预测在第二篇论文中，研究人员展示了系统预测简单物体行为的能力。研究人员使用了一个类似的、被修改过的机器学习系统，演示系统如何学习在二维空间中预测简单物体的行为。

　　人类通常在三维空间做这样的实验，比如抓住一个球或者开车。但心理学实验表明，当预测动作对物体的影响时，人类大脑会使用“直觉物理”引擎，这比简单地识别场景中的物体要复杂得多。

　　虽然论文中的这一进步并不新奇，但却正是研究人员所需要的。今天的很多机器学习系统都令人印象深刻，但其中大部分其实都只涉及狭义的机器学习任务。因此，如果设计者没有新的创意，器学习系统就很难像人类一样进行真正的对话或解决困高难度问题。

　　图丨机器的认知表现

　　研究人类智慧的哈佛大学心理学教授Sam Gershman说，如果我们想让人工智能的表现接近我们自己，我们需要考虑的是，模仿人类智慧来设计人工智能机器。

　　他说：“我们的大脑以对象，代理（agent）和事件之间的关系代表世界，这种方式在很大程度上限制了我们从数据中得出的推论，使得我们很难学习一些东西，而很容易学习另一些东西。所以在这个意义上，DeepMind是朝着正确方向迈出了一步：模仿人类大脑受到的制约因素，使机器能够学习那些对于人类来说容易学习的任务。“然而，Gershman也警告说不要夸大DeepMind工作的意义。他说：“任何特定机器学习任务的超人表现都不意味着超人类的智慧。”

　　关系推理也只是人类智慧的一个要素。Gershman在他去年发表的一篇论文中，探讨了目前人工智能所缺失的人类智慧。例如，人类有语意组合的能力，有从现有知识中构建新的想法来解决问题的能力，而这些人工智能都没有。

　　Gershman说：“对于人类智慧来说，关系推理是必要条件但不是充分条件。”