“These models can learn from exampl

“These models can learn from examples like neural networks, but they can also store complex data like computers,” wrote DeepMind researchers Alexander Graves and Greg Wayne.

Much like the brain, the neural network uses an interconnected series of nodes to stimulate specific centers needed to complete a task. In this case, the AI is optimizing the nodes to find the quickest solution to deliver the desired outcome. Over time, it’ll use the acquired data to get more efficient at finding the correct answer.

The two examples given by the DeepMind team further clear up the process:

After being told about relationships in a family tree, the DNC was able to figure out additional connections on its own all while optimizing its memory to find the information more quickly in future searches.
The system was given the basics of the London Underground public transportation system and immediately went to work finding additional routes and the complicated relationship between routes on its own.
Instead of having to learn every possible outcome to find a solution, DeepMind can derive an answer from prior experience, unearthing the answer from its internal memory rather than from outside conditioning and programming. This process is exactly how DeepMind was able to beat a human champion at ‘Go’ — a game with millions of potential moves and an infinite number of combinations.

Depending on the point of view, this could be a serious turn of events for ever-smarter AI that might one day be capable of thinking and learning as humans do.

Or, it might be time to start making plans for survival post-Skynet.

Results (Vietnamese) 1:

"Các mô hình này có thể học hỏi từ ví dụ như mạng nơ-ron, nhưng họ cũng có thể lưu trữ các dữ liệu phức tạp như máy vi tính," đã viết nhà nghiên cứu DeepMind Alexander Graves và Greg Wayne.Nhiều giống như bộ não, mạng nơ-ron sử dụng một loạt các nút liên kết với nhau để kích thích trung tâm cụ thể cần thiết để hoàn thành một nhiệm vụ. Trong trường hợp này, AI là tối ưu hóa các nút để tìm ra giải pháp nhanh nhất để cung cấp kết quả mong muốn. Theo thời gian, nó sẽ sử dụng các dữ liệu mua lại để có được hiệu quả hơn lúc tìm ra câu trả lời chính xác.Hai ví dụ được đưa ra bởi đội ngũ DeepMind thêm rõ ràng lên quá trình:Sau khi được nói về mối quan hệ trong một gia đình cây, DNC đã có thể tìm hiểu thêm các kết nối trên của riêng của nó tất cả trong khi tìm kiếm tối ưu hóa bộ nhớ của nó để tìm kiếm thông tin nhanh hơn trong tương lai.Hệ thống đã được đưa ra khái niệm cơ bản của hệ thống giao thông công cộng London Underground và ngay lập tức đã đi để làm việc tìm kiếm thêm các tuyến đường và mối quan hệ phức tạp giữa các tuyến đường của riêng mình.Thay vì bạn phải tìm hiểu mỗi kết quả có thể tìm thấy một giải pháp, DeepMind có thể lấy được một câu trả lời từ kinh nghiệm trước khi, unearthing câu trả lời từ bộ nhớ nội bộ của nó chứ không phải từ bên ngoài lạnh và lập trình. Quá trình này là chính xác như thế nào DeepMind đã có thể đánh bại một nhà vô địch của con người tại 'Đi đến'-một trò chơi với hàng triệu tiềm năng di chuyển và vô số các kết hợp.Tùy thuộc vào quan điểm của, điều này có thể là một biến nghiêm trọng của các sự kiện cho AI thông minh hơn bao giờ hết trong một ngày có thể có khả năng tư duy và học như con người làm.Hoặc, nó có thể là thời gian để bắt đầu lập kế hoạch cho sự sống còn bài-Skynet.

Results (Vietnamese) 2:

"Những mô hình này có thể học từ các ví dụ như các mạng thần kinh, nhưng họ cũng có thể lưu trữ dữ liệu phức tạp như máy tính," đã viết nghiên cứu DeepMind Alexander Graves và Greg Wayne.

Giống như não, hệ thống thần kinh sử dụng một loạt kết nối của các nút để kích thích các trung tâm cụ thể cần thiết để hoàn thành một nhiệm vụ. Trong trường hợp này, AI là tối ưu hóa các nút để tìm ra giải pháp nhanh nhất để cung cấp các kết quả mong muốn. Theo thời gian, nó sẽ sử dụng các dữ liệu thu được để có được hiệu quả hơn trong việc tìm kiếm câu trả lời đúng.

Hai ví dụ được đưa ra bởi đội DeepMind thêm sáng tỏ quá trình:

Sau khi được nghe về các mối quan hệ trong một cây gia đình, DNC đã có thể hình ra các kết nối thêm vào của riêng mình trong khi vẫn tối ưu hóa bộ nhớ của nó để tìm thông tin nhanh chóng hơn trong tìm kiếm tương lai.
hệ thống này đã được đưa ra những điều cơ bản của hệ thống giao thông công cộng ngầm London và ngay lập tức đi đến công việc tìm kiếm các tuyến bổ sung và các mối quan hệ phức tạp giữa các tuyến trên của mình riêng.
thay vì phải tìm hiểu mỗi kết quả có thể tìm một giải pháp, DeepMind có thể lấy được một câu trả lời từ kinh nghiệm trước, việc khai thác những câu trả lời từ bộ nhớ trong của nó chứ không phải từ bên ngoài máy và lập trình. Quá trình này là chính xác như thế nào DeepMind đã có thể đánh bại một nhà vô địch của con người ở 'Go' -. Một trò chơi với hàng triệu người di chuyển tiềm năng và một số lượng vô hạn của các tổ hợp

Tùy thuộc vào quan điểm, điều này có thể là một biến nghiêm trọng của sự kiện cho ever- thông minh aI rằng có thể một ngày nào đó có khả năng tư duy và học tập như con người.

Hoặc, nó có thể là thời gian để bắt đầu lập kế hoạch cho sự sống còn sau Skynet.