谷歌人工智能文章中英文对照详解

1、非专业人士翻译，如有错误请谅解。Google'sAIReasonsItsWayaroundtheLondonUnderground谷歌人工智能推导出环绕伦敦地铁系统的路线DeepMind?slatesttechniqueusesexternalmemorytosolvetasksthatrequirelogicandreasoning-asteptowardmorehumanlikeAI深度思维最新技术使用了外部存储来解决需要逻辑思维和推理能力的任务ByElizabethGibney,NaturemagazineonOctober14,2016伊丽莎白.吉布尼2016年10月14日发表

2、于自然杂志Artificial-intelligence(AI)systemsknownasneuralnetworkscanrecognizeimages,translatelanguagesandevenmastertheancientgameofGo.Buttheirlimitedabilitytorepresentcomplexrelationshipsbetweendataorvariableshaspreventedthemfromconqueringtasksthatrequirelogicandreasoning.人工智能（AI）系统被认为是神经网络，可以识别图片，翻译，甚至精

3、通古老的游戏。但他们描绘数据或变量之间的复杂关系的能力有限，这妨碍了他们克服需要逻辑思维和推理能力的任务。InapaperpublishedinNatureonOctober12,theGoogle-ownedcompanyDeepMindinLondonrevealsthatithastakenasteptowardsovercomingthishurdlebycreatinganeuralnetworkwithanexternalmemory.Thecombinationallowstheneuralnetworknotonlytolearn,buttousememorytostorean

4、drecallfactstomakeinferenceslikeaconventionalalgorithm.ThisinturnenablesittotackleproblemssuchasnavigatingtheLondonUndergroundwithoutanypriorknowledgeandsolvinglogicpuzzles.Thoughsolvingtheseproblemswouldnotbeimpressiveforanalgorithmprogrammedtodoso,thehybridsystemmanagestoaccomplishthiswithoutanypr

5、edefinedrules.在10月12日自然杂志中发表的一篇论文中，谷歌在伦敦的子公司深度思维展示了他们通过结合外部存储创造了一个神经网络，来进一步克服这些障碍。这种和外部存储的结合不仅允许神经网络学习，还可以通过存储器来存储和回忆事件，并以此来像正常情况那样做推断。这反过来能够让它解决难题，比如在没有任何经验的情况下操控伦敦地铁，比如解决逻辑谜题。尽管对于一个算法程序来说做到这点并不会令人印象深刻，但这个混合系统在没有任何先决条件的情况下做到了这点。AlthoughtheapproachisnotentirelynewDeepMinditselfreportedattemptingasim

6、ilarfeatinapreprintin2014“theprogressmadeinthispaperisremarkablesaysY6shuaBengio,acomputerscientistattheUniversityofMontrealinCanada.虽然这个方法不是一个全新的技术一一深度思维自己就在2014年报告过他们尝试了一种相似的技术一一但“在论文中的这个进步是非凡的”，加拿大蒙特利尔的计算机学家本吉奥.本希奥赞叹道。MEMORYMAGIC记忆魔法Aneuralnetworklearnsbystrengtheningconnectionsbetweenvirtualneur

7、on-likeunits.Withoutamemory,suchanetworkmightneedtoseeaspecificLondonUndegroundmapthousandsoftimestolearnthebestwaytonavigatethetube.神经网络通过加强虚拟神经元之间的联系来学习。如果没有存储器，这样一个网络可能需要看一副特定的伦敦地铁地图数千次来学习最佳路线。DeepMind'snewsystem-whichtheycalla'differentiableneuralcomputer'canmakesenseofamapithasnever

8、seenbefore.Itfirsttrainsitsneuralnetworkonrandomlygeneratedmap-likestructures(whichcouldrepresentstationsconnectedbylines,orotherrelationships),intheprocesslearninghowtostoredescriptionsoftheserelationshipsinitsexternalmemoryaswellasanswerquestionsaboutthem.Confrontedwithanewmap,theDeepMindsystemcan

9、writethesenewrelationshipsconnectionsbetweenUndergroundstations,inoneexamplefromthepapertomemory,andrecallittoplanaroute.深度思维的新系统一一他们称它为微分神经计算机一一可以理解它从未见过的地图。第一次训练神经网络是在随机生成的类似结构的地图上(被铁路线链接的车站，或者其他关系)，在这个过程中学习如何将这些关系的描述存储在它的外部存储器并且回答问题。面对一个新的地图，深度思维的系统可以把这些新关系一一按照一个图纸上例子来连接各地铁站之间的关系一一写到存储器，并能够回忆这些关系

10、然后计划路线。DeepMind?sAIsystemusedthesametechniquetotacklepuzzlesthatrequirereasoning.Aftertrainingon20differenttypesofquestion-and-answerproblems,itlearnttomakeaccuratedeductions.Forexample,thesystemdeducedcorrectlythataballisinaplayground,havingbeeninformedthat“Johnpickedupthefootballand“Johnisinthepla

11、ygroundItgotsuchproblemsrightmorethan96%ofthetime.Thesystemperformedbetterthanrecurrentneuralnetworks?,whichalsohaveamemory,butonethatisinthefabricofthenetworkitself,andsoislessflexiblethananexternalmemory.深度思维的人工智能系统使用同样的方法来处理需要推理能力的智力游戏。在通过20种不同类型的问答训练之后，它学会了做出准确的推论。例如，系统通过被告之“约翰抓着足球”和“约翰在操场上”准确的推

12、断出一个球在操场上。答对问题的概率超过了96%这个系统的效率比拥有一个内部存储器的周期神经网络更高，也更灵活。AlthoughtheDeepMindtechniquehasprovenitselfononlyartificialproblems,itcouldbeappliedtoreal-worldtasksthatinvolvemakinginferencesfromhugeamountsofdata.Thiscouldsolvequestionswhoseanswersarenotexplicitlystatedinthedataset,saysAlexGraves,acomputers

13、cientistatDeepMindandaco-authoronthepaper.Forexample,todeterminewhethertwopeoplelivedinthesamecountryatthesametime,thesystemmightcollatefactsfromtheirrespectiveWikipediapages.虽然深度思维的技术已被证明只针对人工问题，但它能够被应用到需要通过海量数据来进行推断的真实世界的工作。这能够解决那些在数据中没有明确答案的问题。来自深度思维的计算机科学家，研究报告的合著者，亚历克斯格雷夫斯介绍说。例如，对于判断两人是否在同一时间住在同一个国家，系统可能会核对他们各自在维基百科上的事项。AlthoughthepuzzlestackledbyDeepMind?sAIaresimple,Bengioseesthepaperasasignalthatneuralnetworksareadvancingbeyondmerepatternrecognitiontohuman-liketaskssuchasreasoning."Thisextensionisveryimportantifwewanttoapproachhuman-