你想過你是如何描述一個顏色的嗎？最新研究表明人類使用離散符號來記錄一個區域的顏色，在細化顏色過程中又增添其他信息。這背后有什么道理嗎？Facebook用兩個神經網絡的實驗現象告訴你。

盡管人類世界擁有數千種語言，但是使用詞語來表示不同顏色的方式是非常一致的。

例如，許多語言有兩個截然不同的單詞表示紅色和橙色，但沒有一種語言有許多截然不同的常用單詞表示橙色的各種調性（橘子的橙色和橘子的橙色）。

比如這么多口紅色號，如果每一個都分配一個獨特的顏色名稱，那可能記憶起來會十分吃力。

語言學研究人員利用數學工具表明，顏色名稱的這種一致性是因為人類優化語言是為了平衡精確交流的需要和最小化記憶需要。

如果使用額外的顏色詞會增加復雜性，但不會顯著改善人們之間的溝通能力。

Facebook 最近的AI研究表明，當兩個人工神經網絡被要求創造一種方式來互相交流他們看到的顏色時，AI也會像人一樣平衡復雜性和準確性。

除此之外，Facebook研究團隊還發現為了準確描述連續的顏色空間，只有使用離散的「顏色語言」才可以。

這就引出了一個關于如何交流的有趣的推測。是不是「離散」的符號語言更適合交流，而不是動物類的「連續」叫聲？

模型實現過程

首先建立兩個神經網絡，一個負責說（speaker）和一個負責聽（listener），并建立一個「溝通游戲」：在游戲的每一輪中，speaker從一個連續的顏色空間中看到一個顏色，然后輸出一個符號(可以被認為是一個「單詞」)。listener可能看到相同或不同的顏色，作為噪聲輸入。

listener接收到由speaker輸出的單詞，然后嘗試輸出正確的顏色片段。最初，說話人隨機生成單詞，等到訓練結束時，每個單詞都代表了顏色空間的一個連續部分。

研究團隊多次重復這個實驗，同時通過使目標顏色和噪聲顏色的相似度發生變化，以此來改變任務的難度。這些變化產生了許多不同的顏色命名「詞匯表」。

在訓練結束時，研究人員分析了這些詞匯，發現AI生成的的顏色詞與人類語言的性質相似。此外，這兩種類型的語言都接近于正式定義復雜性和準確性之間可能的最佳平衡集合的邊界(圖中的黑線)。

在后續實驗中，研究人員發現，至關重要的是，當允許神經網絡使用連續的符號而不是離散的符號進行交流時，復雜性和準確性之間的最佳平衡就不復存在了。

兩個神經網絡雖然仍然可以通信，但是他們的交流效率變得很低。

語言也許是人類最獨特的特征，我們在日常中經常使用，但卻不了解它。

Facebook的研究表明，先進的人工智能模型，不僅對實際應用有用，而且還可以作為實驗工具，回答有關人類語言(以及一般認知)的科學問題。