邦加德问题是一种视觉谜题类型，其中人或机器必须识别出区分两组图像的规则，这两组图像通常并排呈现。每组包含六个简单图示，解题者必须找到能将左侧组与右侧组分离的二元分类标准。这些问题由苏联计算机科学家米哈伊尔·邦加德在其1970年的著作《模式识别》中提出，此后它们已成为认知科学和人工智能研究中的标准基准。
邦加德问题因其感知与概念难度的结合而著称。规则可能涉及几何属性，如形状、大小、方向、数量或空间排列，但通常还需要对关系、对称性甚至语义类别进行抽象推理。由于图像刻意保持极简，这些问题隔离了从有限示例中发现一般规则的核心挑战，这一任务对人类而言在许多情况下轻而易举，但对机器来说却出了名的困难。
历史背景
米哈伊尔·邦加德在莫斯科控制论研究所工作期间开发了这些问题，旨在理解生物和人工系统中的模式识别机制。他的1970年专著提出了100个问题，每个问题旨在测试视觉抽象的不同方面。这些问题通过道格拉斯·霍夫施塔特1979年的著作《哥德尔、艾舍尔、巴赫》在西方获得更广泛关注，该书将它们讨论为感知和类比推理中“隐性知识”的实例。霍夫施塔特后来在其麻省理工学院计算机科学与人工智能实验室的研究中使用邦加德问题，他与学生开发了计算模型来解决这些问题。
结构与示例
一个典型的邦加德问题呈现两个标有A和B的方框，每个方框包含六个小图示。解题者必须找到一条规则，使A框中的所有六个图示都满足，而B框中的六个图示都不满足。例如，某个问题可能让A框只包含边数为偶数的形状，而B框包含边数为奇数的形状。另一个问题可能要求识别出A框中的所有图形都是垂直方向，而B框中的是水平方向。规则可以是分层的，如“A中的所有形状都包含一个位于较大三角形内部的小圆”，也可以涉及元素之间的比较，如“黑点的数量等于白方块的数量”。
有些问题故意具有歧义性，存在多种合理规则，这凸显了先验知识和上下文在解释中的作用。难度范围从琐碎（如颜色或大小）到高度抽象（如“A中的图形在拓扑上都等价于一个圆”）。
在认知科学中的作用
认知科学家使用邦加德问题来研究人类概念形成、归纳推理和视觉智能的本质。约书亚·特南鲍姆和布伦丹·莱克等研究人员在斯坦福大学和麻省理工学院引用它们作为人类拥有而机器缺乏的“快速映射”和“一次性学习”能力的实例。这些问题不仅需要模式匹配，还需要生成和测试关于抽象类别的假设，这一过程至今仍未被充分理解。研究表明，人类解题者通常依赖可言语化的规则，这暗示了语言与视觉推理之间的联系。
机器学习与AI基准
在人工智能领域，邦加德问题已成为评估视觉推理能力的基准。20世纪70年代和80年代的早期尝试使用符号AI方法，但它们在规则的开放性上遇到困难。随着机器学习和深度学习的兴起，研究人员基于邦加德问题开发了新数据集，如Bongard-HOI数据集（2020年）和Bongard-LOGO数据集（2022年），这些数据集以编程方式生成大量问题。这些数据集用于测试神经网络和基于Transformer的模型，包括与视觉编码器结合时的大型语言模型。
当前最先进的系统在新型邦加德问题上的表现仍远低于人类准确率。例如，2023年的一项研究发现，即使是最佳模型在100个问题上的准确率也仅为约60%，而人类表现接近完美。困难在于需要组合推理和从少量示例中泛化的能力，这与大多数深度学习方法对数据的渴求形成对比。谷歌DeepMind和OpenAI的研究人员已探索使用邦加德问题来探测其模型的推理能力，但尚无系统完全掌握它们。
相关概念与未来方向
这些问题与其他视觉推理任务密切相关，如瑞文渐进矩阵（涉及在网格中完成模式）以及弗朗索瓦·弗勒雷于2019年提出的抽象与推理语料库（ARC）。ARC共享通过视觉谜题衡量通用智能的目标，但它使用不同的格式。一些研究人员认为，邦加德问题更具挑战性，因为它们需要从正负示例中发现二元规则，而ARC任务通常涉及变换规则。
未来工作可能涉及将邦加德问题与课程学习或元学习方法相结合，或使用它们来评估生成式AI系统的新兴推理能力。截至2020年代中期，尚无已发表的系统在广泛的邦加德问题上达到人类水平的表现，使其成为追求人工通用智能中的活跃研究领域。