传统计算机可以处理复杂的数据形式，但是需要手工编程来执行这些任务。而人工神经网络（ANN）一直用来模拟像人脑一样的学习能力。早在20世纪80年代，ANN就成为人工智能领域的研究热点，它可以从信息角度对人脑神经元网络进行抽象处理，建立某种简单模型，按不同连接方式组成不同网络。但就现阶段而言，人工神经网络仍然缺乏处理结构化数据所需的存储架构。

据科技日报北京消息，英国伦敦的谷歌Deepmind“深度思维”公司研究人员艾利克斯·格拉夫、格里格·韦恩、戴密斯·哈萨比斯及同事们近日在英国《自然》杂志12日发表了一项人工智能重要成果，描述了一种集神经网络与计算机优点于一身的混合型学习机器，既能像神经网络那样学习，又能像计算机那样处理复杂数据，这种混合型学习机器被称为“可微分神经计算机”（Differentiable neural computer）。

图：可微分神经计算机架构

可微分神经计算机能将神经网络和外部存储结构结合在一起，前者可以通过示例或反复试验进行学习，后者与传统计算机内的随机存取存储器相似。因此，“可微分神经计算机”既能学习，又能处理复杂数据。

研究显示，“可微分神经计算机”能够成功理解图形结构，譬如家谱图或是交通网络。实验中，它可以在没有现成知识的情况下，规划出最佳的伦敦地铁线路，或根据符号语言所描述的目标来解决方块拼图问题。

“深度思维”公司此前因开发“阿尔法围棋”（AlphaGo）程序而声名大噪，该围棋程序在神经网络经过深度训练后，可以利用价值网络计算局面，用策略网络选择下子。而此次“可微分神经计算机”的研发者之一，正是被称为“AlphaGo之父”的哈萨比斯，他和另两位联合创始人于2010年成立了“深度思维”公司，目前正在帮助谷歌展开一场全新的人工智能革命。

文章链接：

Alex Graves, et al, "Hybrid computing using a neural network with dynamic external memory," Nature(2016), doi:10.1038/nature20101

消息链接：

Differentiable neural computers

（本文文字内容参考自科技日报；）

如若转载，请注明e科网。

如果你有好文章想发表or科研成果想展示推广，可以联系我们或免费注册拥有自己的主页