要真正解释和描述一张照片，人工智能不仅需要了解图片中是什么，更要了解图像中这些对象有什么相互关系。谷歌的开发人员表示这不只是一个数据的倒推。该算法必须能够自然地理解图像中的对象和它们的用途。
谷歌研究的博客发文说：“令人兴奋的是，在展示全新情境时，我们的模型的确可以产生准确的配文，这显示出系统对图像中目标和背景的理解更深了。”同样重要的是，“它还学会了如何用自然的英语短语表达知识，尽管它只读了人类给的说明字幕，没有在接受其他额外的训练。”
至少从目前来说，相对于视频，机器学习算法能更好地理解静止图像的内容。
文章转载自 开源中国社区 [http://www.oschina.net]
