阿尔法狗大升级新机器人有了记忆

DeepMind在创造了AlphaGo的辉煌之后，再次在人工智能领域取得重大突破，推出了名为“可微分神经计算机”（DNC）的新模型。这一模型展现了独立学习的能力，深受各界关注。DNC通过模拟生物的神经网络，融合了可读写外部存储结构，不仅能像神经网络一样灵活调用记忆，而且还能通过训练和试错学习，处理复杂数据，展现出强大的能力。

近期，DeepMind在权威杂志《自然》上发表了相关研究成果。论文指出，DNC在无先验知识的情况下，能够规划出最佳的伦敦地铁线路，解决复杂的拼图问题仅通过符号语言描述目标。这一研究成果引发了业界的广泛关注。

柏拉图曾将记忆力比作蜡板，一旦刻上字便能永久保存。但现在，记忆对于我们来说更像是一个可塑的过程。特定的片段组成你的经历，这些记忆的片段可以相互连接、重组。DeepMind的DNC模型正是基于这样的理念构建而成。

当我们谈论记忆时，不得不提英国哲学家约翰洛克的观点：如果记忆是在特定的时间和空间形成的，它们就能相互连接。记忆与事件背景及处理的优先级紧密相关。记忆并非简单的刺激-反应模式，而是可以根据不同的情境调整行为反应。

以伦敦地铁图为例，即使面对相同的问题，如“怎么从Piccadilly Circus站去Moorgate站”，不同的记忆使用方式也能得到相同的答案。这证明了记忆内容和记忆的使用可以被分开。我们的神经网络可以像乐高玩具一样重组记忆，以解决不同的问题。

在最近发表的论文中，我们详细阐述了如何结合神经网络和记忆系统，创造出这种能够迅速存储并灵活解读知识的学习型机器——DNC。这些机器不仅能像神经网络一样学习，还能像电脑一样处理复杂数据。它们的核心是一个名为控制器的神经网络，其功能类似于电脑处理器。控制器负责输入、解读和书写记忆，并回答相关问题。控制器可以执行多个记忆操作，如决定何时写入内存、选择存储位置等。控制器还能解读存储在特定内存区域的记忆信息，并根据需要快速搜索和回忆这些信息。这些功能使得DNC能够高效地分配内存空间、存储信息并快速响应问题。该控制器的神经网络接受外部信息并将其整合到记忆系统中进行解读和回应。因此它能够适应复杂多变的场景和问题提供及时准确的解答和行动策略展示出了人工智能领域新的突破和发展前景的巨大潜力值得期待更多未来该领域的进一步发展和突破。总体来说这项研究为人工智能领域开辟了新的道路有望为未来的机器学习和人工智能应用带来更多创新和突破性的进展让我们共同期待这一领域的未来发展吧！探索DNC：一种新型的神经网络模型

对于非专业读者来说，我们可能会听到诸如“控制器能够……”，“DNC决定做……”这样的措辞，似乎有些奇怪。但这背后的真实情况是，DNC正在从零开始学习如何运用记忆来解答问题。我们通过对比DNC的答案和正确答案，不断优化其性能，让它能够逐渐给出更接近正确答案的解答。在这个过程中，控制器也在学习如何运用其记忆。

我们的目标是探索DNC数据结构的潜力，为此我们设计了一系列测试来检验它的能力。其中，图表数据是一个极好的测试工具，因为它包含了可以被任意连接的数据点，形成了复杂的路径和周期。我们的研究表明，DNC可以通过自主学习来解读复杂的图表，并回答与之相关的问题。

想象一下，当我们向DNC描述伦敦地铁图时，我们可以问它一系列复杂的问题。例如，“搭乘Central Line线从Bond Street站出发，换乘Circle Line线并经过四站，再搭乘Jubilee Line线经过两站，最后你将在哪里出站？”我们也可以让DNC规划路线，比如询问“如何从Moorgate站到Piccadilly Circus站？”

在DNC的训练过程中，我们使用随意生成的图表（左图）。训练完成后，我们再测试DNC是否能够在真实的伦敦地铁图中找到正确的路线（右图）。我们用一组三个词的组合来描述地铁图，并通过两个任务来举例说明：“横向往返运动”是指DNC按照一定顺序在站点间移动，“最短路线”则是要求DNC找到两个站点之间的最短路径。

我们还利用家谱作为示例，展示了DNC如何回答需要进行复杂运算的问题。即使只提供了父母、孩子以及兄弟姐妹之间的关系信息，我们也可以向DNC提问：“Freya的妈妈那边的叔父是谁？”现在，我们可以观察controller读取的是哪个记忆区间的信息，从而分析DNC是如何运用其记忆的。与DNC相比，以前的传统神经网络要么无法存储信息，要么就无法学习解读数据并进行推广。

我们还通过强化学习来训练DNC。我们让DNC对一个问题作出反应，但不直接告诉它正确答案。一旦它的反应达到预期效果，我们就会给予高分奖励。在另一个示例中，我们让DNC处理一个移动方块的游戏，比如：“把浅蓝格子放到绿格子底下；橙色格子移到红色格子的右边……”

在这个情况下，DNC就像一个能够记住多条线索的电脑。这些线索与特定目标相关联，DNC可以执行这些任务来实现目标。人类记忆的工作原理是一个古老而深刻的问题，我们对它的理解仍然不完全。我们希望通过DNC为电脑科学、认知科学和神经科学提供新的手段和方法。这是一种新型的学习机械，无需预先编程，就能够整理信息、建立事实与知识之间的联系，并能够利用这些信息来解答问题。