在最近的一次前往埃森哲位于都柏林的码头设施时，他们展示了一种基于 AI 的工具，在翻阅了数千种现有食谱以找到潜在的新口味后，他们推荐了新的食谱。 虽然这项工作很有趣，但这种方法在应用于创新本身时可能更有趣。
如今，越来越多的创新被称为”重组”，并且将现有理念和概念以新颖和创造性的方式应用。研究人员越来越多地部署基于人工智能的工具，以帮助设计一些可能探索的道路。
您可能还喜欢：
深度学习和机器学习指南：第一部分
例如，卡内基梅隆大学和耶路撒冷希伯来大学的研究人员最近发表了一篇论文，其中强调了人工智能驱动的专利数据库和研究论文的挖掘方法，这些想法可以重新组合成新的解决方案问题。
该方法的核心是试图找到类比，将看似不同的方法和问题联系起来。他们使用众包来了解人们如何形成类比，然后用它来训练深度学习算法，然后挖掘知识数据库以进行潜在的创新。
“经过几十年的尝试，这是第一次有人在大规模地对类比问题进行计算，”作者说。”一旦您可以搜索类比，您就能真正加快创新速度，如果你能加快创新速度，就能解决下游许多其他问题。
可以说，发现类比对于计算机来说并不是最容易做的事情，因为它往往是我们人类在不了解我们如何做这些事情的情况下做的事情之一。以前尝试自动化作业首先需要创建一个手工制作的数据结构，这非常耗时，因此根本不具有可扩展性。
进入人群
团队转向机械土耳其招募一些志愿者，通过产品创新网站Quirky寻找类似的产品。他们通过寻找一系列具有类似目的或工作方式的产品来做到这一点。
每个参与者都被告知解释他们是如何得出结论的。例如，它们可能从产品的目的和机制的角度来描述产品。这有助于提供可用于创建类比的连接器。
然后，这些见解被输入到算法中，然后再将其放在产品描述的附加数据集上。研究人员责成该算法提出自己的一些类比。 有趣的是，它证明相当擅长于这项任务，并超越单纯的表面相似性，发现看似不同的产品之间的相似性。事实上，当测试这些时，新产品建议被评为最具创新性的想法。
该团队认为，通过允许组织发现以前隐藏在专利或研究论文之间的联系，该方法可以很容易地被扩展为创新过程的一部分。两个数据集都是巨大的，并且以巨大的速度增长
最近发表在《自然》杂志上的一篇类似论文也记录了类似的项目。 研究人员使用类似的方法在单词和主题之间建立联系，然后从1922年至2018年发表的材料科学论文中翻阅了大约330万份科学摘要。
该方法能够捕获该领域的基本知识，例如周期表的性质和结构以及化学品结构与其特性的关系，同时还提出了一些具有类似特性的新化合物热电材料，以前没有检查过。
研究小组认为，这种方法可以成为探索科学研究新途径的有效途径，从而加速各个领域的科学发展。