2
| 本文作者： 劉子榆 | 2016-10-13 17:18 |
還記得擊敗世界圍棋大師的阿爾法狗 AlphaGo 嗎？
它來自谷歌 DeepMind 團隊，現在這個人工智能實驗室又推出了一項重磅研究——可微分神經計算機的神經網絡模型（Differentiable Neural Computer，簡稱 DNC）。這種新型模型將神經網絡與可讀寫的外部存儲器結合，既能像神經網絡那樣通過試錯和樣本訓練進行深度學習，又能像傳統計算機一樣處理數據。
深度學習作為一種神經網絡人工智能算法，能夠通過一些“深”層計算，對海量的數據進行更新學習。這種類似大腦結構的神經網絡層由節點組成（也被稱為神經元）。許多科技巨頭如谷歌、Facebook、亞馬遜和微軟都一直在訓練神經網絡來學習如何更好地處理工作任務，包括識別狗的圖像以及做出更好的翻譯軟件。這些 AI 功能已經讓數百萬人在使用谷歌翻譯等在線服務中受益。
但是，神經網絡面臨著巨大的挑戰：常規計算機可以處理復雜形式的數據，但是需要手動編程來執行這些任務。雖然人工神經網絡可以像大腦一樣進行學習，從數據中識別模式，但是它缺少存儲器架構，無法對結構化數據進行符號處理。
DNC 簡易模型，圖源：FT
為了提高深度學習的能力，谷歌的 DeepMind 團隊創造了這種新型機器學習算法“ 可微分神經計算機”DNC，它將“神經網絡”計算系統與傳統計算機存儲器結合在一起。
神經網絡是一個互聯的系統，它模仿生物神經網絡運行，比如大腦的工作模式。在最近取得的各項人工智能成就中，神經網絡扮演了關鍵角色。例如，在數字助手，如 Google Voice、Siri 中增強語音識別能力。在之前的研究中，神經網絡只能連接自有網絡所包含的數據。而最近，DeepMind 團隊宣布，在 DNC 的支持下，神經網絡可以接入之前不相容的外部數據，比如以傳統數字模式編碼的文本。這也就是說，我們離會思考的計算機更近了一步。
從數學上講，DNC 類似一個可微分的函數，這或許是研究人員稱它為可微分的原因。而數字計算機不可微分，因此也無法做到像神經網絡一樣從數據中學習。DNC 可以成功地理解圖形結構，如家譜或傳輸網絡，它甚至可以根據一張家譜來判斷一個人的家族關系。此外，DNC 還能在沒有先驗知識的情況下規劃在倫敦地鐵上的最佳路線，解決涉及用符號語言描述目標的移動拼圖謎題。
美國HBO連續劇《西部世界》劇照
推理是靈長類動物才具備的能力，DeepMind 這種或許能夠“喚醒”機器的人工智能算法與最近大火的神劇《西部世界》中的設想一致——也許有一天，我們真的能看到會自主推理的機器人，以及能思考的計算機。
DNC 包含了若干個模塊，所有的這些模塊都完全不是符號化的，彼此之間通過純粹的模擬激活模型來交換信息流（streams），正如從生物大腦中記錄的那樣。
推理的一個關鍵前提，是記憶。在計算機中，記憶的角色由隨機訪問內存 RAM 承擔。當計算機進行推理，也就是運行程序時，所有的信息都被捆綁在工作的內存中，并且結合的方式數不勝數。把人類的推理過程拿來與計算機程序相比，其實并不牽強。事實上，在現代可編程計算機（圖靈機）和亞里士多德的三段論存在嚴肅的歷史聯系。
DNC 項目主管 Alex Graves 表示，“神經網絡的記憶受到計算本身的約束，我們決定通過分離存儲器的方式讓它變得更強大，這樣一來，不影響處理器就可以擴充規模。”
一些獨立計算機科學家認為通用 DNC 應用范圍廣闊，例如，它可以用來生成視頻注釋，從文本中提取有意義的內容。甚至在未來，它還能夠應用在包含問答、像真實世界一樣的對話，這種需要一定的推理能力任務。
這個新項目被 Google 發表在《自然》雜志上。在文章里 Google 舉了若干個應用實例，比如，集成后的深度學習技術能夠自動發現兩個地鐵站之間最短的路線，它會自己進行“推理”，說出你想要到達的目的地。正確率高達 90% 以上。
英國《金融時報》援引斯坦福大學心智、大腦和計算中心主任 Jay McClelland 稱，這項研究將成為人工智能領域“有趣且重要的里程碑”。
Via financial times & spectrum.ieee
推薦閱讀：
DeepMind發布最新原始音頻波形深度生成模型WaveNet，將為TTS帶來無數可能
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
