本篇文章1687字，读完约4分钟
还记得打败世界围棋大师的阿尔法狗吗？
它来自于谷歌的深度思维团队，现在这个人工智能实验室已经推出了一个重要的研究——微分神经计算机(dnc)。这种新模型将神经网络与能够读写的外部存储器相结合。它不仅可以像神经网络一样通过试错和样本训练进行深入学习，还可以像传统计算机一样处理数据。
作为一种神经网络人工智能算法，深度学习可以通过一些“深层”计算来更新和学习海量数据。这个神经网络层类似于大脑结构，由节点(也称为神经元)组成。许多科技巨头，如谷歌、脸书、亚马逊和微软，一直在训练神经网络来学习如何更好地处理任务，包括识别狗的图像和制作更好的翻译软件。这些人工智能功能已经让数百万使用谷歌翻译等在线服务的人受益。
然而，神经网络面临着巨大的挑战:传统的计算机可以处理复杂的数据，但是需要手工编程来完成这些任务。虽然人工神经网络可以像大脑一样学习，从数据中识别模式，但它缺乏记忆结构，不能对结构化数据进行符号处理。
Dnc简单模型，来源:ft
为了提高深度学习的能力，谷歌的深度思维团队创造了这种新的机器学习算法“微分神经计算机”(Differential Neural Computer)DNC，它将“神经网络”计算系统与传统的计算机内存相结合。
神经网络是一个相互联系的系统，它模仿生物神经网络的运作，如大脑的工作模式。在人工智能的最新成果中，神经网络起着关键作用。例如，在谷歌语音和siri等数字助理中增强语音识别。在以前的研究中，神经网络只能连接包含在自己网络中的数据。最近，deepmind团队宣布，在dnc的支持下，神经网络可以访问以前不兼容的外部数据，例如以传统数字模式编码的文本。也就是说，我们离会思考的电脑更近了一步。
从数学上讲，dnc类似于可微函数，这可能是为什么研究人员称之为可微的原因。然而，数字计算机是无法区分的，所以它们不能像神经网络那样从数据中学习。Dnc可以成功地理解图形结构，如家谱或传输网络，它甚至可以根据家谱判断一个人的家庭关系。此外，dnc可以在没有先验知识的情况下规划出伦敦地铁的最佳路线，并解决用符号语言描述目标的移动拼图难题。
美国家庭影院系列“西部世界”的剧照
推理是灵长类动物拥有的能力。deepmind是一种人工智能算法，可能能够“唤醒”机器，这与最近的火剧《西方世界》中的假设是一致的——也许有一天，我们真的可以看到能够自主推理的机器人和能够思考的计算机。
Dnc包含几个模块，所有这些模块都不是符号化的。它们通过纯粹的模拟激活模型相互交换数据流，就像生物大脑记录的那样。
推理的一个关键前提是记忆。在计算机中，内存的作用是由随机存取存储器ram承担的。当计算机进行推理，也就是运行一个程序时，所有的信息都被绑定在工作记忆中，并且有无数种方法可以将它们结合起来。将人类的推理过程与计算机程序进行比较并不牵强。事实上，现代可编程计算机(图灵机)和亚里士多德的三段论之间有着严重的历史联系。
dnc项目主任Alex graves说:“神经网络的记忆受到计算本身的限制。我们决定通过分离内存使其功能更强大，以便在不影响处理器的情况下扩展规模。”
一些独立的计算机科学家认为，通用dnc有广泛的应用，例如，它可以用来生成视频注释和从文本中提取有意义的内容。即使在未来，它也可以应用于现实世界的问答对话，这需要一定的推理能力。
这个新项目由谷歌在《自然》杂志上发表。在文章中，谷歌列举了几个应用实例。例如，集成深度学习技术可以自动找到两个地铁站之间的最短路线，它会自己“推理”并告诉你想要到达的目的地。准确率达到90%以上。
英国《金融时报》援引斯坦福大学思维、大脑和计算中心主任杰伊·麦克莱伦(jay mcclelland)的话说，这项研究将成为人工智能领域的一个“有趣而重要的里程碑”。
viafinancial times & spectrum . IEEE
推荐阅读:
说到神经网络的训练方法，deepmind更喜欢前向传播
Deepmind发布了最新的原始音频波形深度生成模型wavenet，这将为tts带来无数的可能性
