“阿尔法狗”大升级，新“机器人”有了记忆

正文

请到「今天看啥」查看全文

时至今日，人类对记忆的比喻变得更为精炼。记忆对我们来说不再是蜡板，而是一种可塑的过程。在这个过程中，特定的片段组成你的经历，而这些记忆的片段可以重组。

另外，行为与记忆之间的关系是可变的，而非“刺激—反应”这样么简单。它怎么变，与事件的背景与处理事件的优先级别相关。

举个例子来说，如果记得伦敦地铁图，就能回答以下两个有相同答案的问题：“怎么从Piccadilly Circus站去Moorgate站？”和“如果选一条和Northern Line线相邻的线向北走，怎样才能到Moorgate站？”可见，记忆的内容可以和记忆的使用被分开。

另一种观点认为， 记忆经过整理之后，可以用于计算。它更像是乐高玩具，人们可以根据问题重组记忆。

神经网络在图形认知方面表现出色，反应快速，决策及时，而我们才刚开始建立能缓慢思考的神经网络，这种网络能有目的，或理性地运用知识。比如，让它储存像交通运输网这种信息，随后有逻辑、合理地思考这些碎片化知识，并回答问题。

我们在最近发表的论文中阐述，如何结合神经网络和记忆系统，造出这一种能快速储存并灵活解读知识的学习型机器。这些被我们成为DNC（differentiable neural computers）的机器，可以像神经网络一样学习，还可以像电脑一样存储复杂数据。

一台普通电脑的处理器可以通过RAM读写信息。RAM给了处理器更多的空间来整理计算过程中的信息。储存临时信息的空间被称为变量，被存在记忆卡上。对电脑来说，设置一个储存数字的变量很简单，建立数据结构也不难，因为变量之间都有关联。

最简单的数据结构之一是列表，列表中，变量按顺序排列。一种更复杂的数据结构是树状结构，如家谱，顺着孩子就能找到父母，以及他们和祖先之间的联系。最复杂且综合的数据结构是图表，如伦敦地铁图。

请到「今天看啥」查看全文