被稱為神經網路的人工智慧（AI）系統可以識別影像，翻譯語言，甚至可以掌握古老的圍棋遊戲。但是它們表示資料或變數之間複雜關係的能力有限，這使得它們無法征服需要邏輯和推理的任務。
在10月12日發表於《自然》雜誌上的一篇論文中，谷歌旗下的倫敦DeepMind公司透露，它透過建立一個帶有外部記憶的神經網路，朝著克服這一障礙邁出了一步。這種組合使神經網路不僅可以學習，還可以使用記憶來儲存和回憶事實，從而像傳統演算法一樣進行推斷。反過來，這使其能夠解決諸如在沒有任何先驗知識的情況下導航倫敦地鐵以及解決邏輯難題之類的問題。儘管解決這些問題對於經過程式設計的演算法來說並不令人印象深刻，但該混合系統在沒有任何預定義規則的情況下設法完成了這項任務。
儘管這種方法並非全新——DeepMind本身在2014年的一篇預印本中就報告了嘗試過類似的壯舉——但“這篇論文中取得的進展是顯著的”，加拿大蒙特利爾大學的計算機科學家Yoshua Bengio說。
關於支援科學新聞報道
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞報道 訂閱。透過購買訂閱，您正在幫助確保關於塑造我們當今世界的發現和想法的有影響力的故事的未來。
記憶魔法
神經網路透過加強虛擬類神經元單元之間的連線來學習。如果沒有記憶，這樣的網路可能需要看到特定的倫敦地鐵地圖數千次才能學會導航地鐵的最佳方法。
DeepMind的新系統——他們稱之為“可微神經計算機”——可以理解它以前從未見過的地圖。它首先在隨機生成的類似地圖的結構（可以表示由線路連線的站點或其他關係）上訓練其神經網路，在此過程中學習如何將這些關係的描述儲存在其外部記憶中，並回答有關這些關係的問題。當面對一張新地圖時，DeepMind系統可以將這些新的關係——論文中的一個例子是地鐵站之間的連線——寫入記憶，並回憶起它來規劃路線。
DeepMind的人工智慧系統使用相同的技術來解決需要推理的難題。在接受了20種不同型別的問答問題的訓練後，它學會了進行準確的推論。例如，該系統正確推斷出球在操場上，因為它被告知“約翰撿起了足球”和“約翰在操場上”。它正確解決了96%以上的問題。該系統的表現優於“迴圈神經網路”，後者也有記憶，但該記憶位於網路本身的結構中，因此不如外部記憶靈活。
儘管DeepMind的技術僅在人工問題上證明了其自身價值，但它可以應用於從大量資料中進行推論的實際任務。DeepMind的計算機科學家，該論文的合著者Alex Graves說，這可以解決答案未在資料集中明確說明的問題。例如，要確定兩個人是否在同一時間住在同一個國家，該系統可能會從他們各自的維基百科頁面中整理事實。
儘管DeepMind人工智慧解決的難題很簡單，但Bengio認為該論文是一個訊號，表明神經網路正在超越單純的模式識別，朝著諸如推理之類的人類水平任務邁進。“如果我們想要接近人類水平的人工智慧，這種擴充套件非常重要。”
本文經許可轉載，於2016年10月13日首次發表。