Human brains still have significant

Human brains still have significant advantages over any brain-inspired deep learning software. For example, human memory seems much better at storing information so that it is accessible by both context or content, McClelland says. He expressed hope that future deep learning and AI research could better capture the memory advantages of biological brains.
DeepMind’s DNC system and similar neural learning systems may represent crucial steps for the ongoing development of AI. But the DNC system still falls well short of what McClelland considers the most important parts of human intelligence.
The DNC is a sophisticated form of external memory, but ultimately it is like the papyrus on which Euclid wrote the elements. The insights of mathematicians that Euclid codified relied (in my view) on a gradual learning process that structured the neural circuits in their brains so that they came to be able to see relationships that others had not seen, and that structured the neural circuits in Euclid’s brain so that he could formulate what to write. We have a long way to go before we understand fully the algorithms the human brain uses to support these processes.
It’s unclear when or how Google might take advantage of the capabilities offered by the DNC system to boost its commercial products and services. The DeepMind team was “heads down in research” or too busy with travel to entertain media questions at this time, according to a Google spokesperson.
But Herbert Jaeger, professor for computational science at Jacobs University Bremen in Germany, sees the DeepMind team’s work as a “passing snapshot in a fast evolution sequence of novel neural learning architectures.” In fact, he’s confident that the DeepMind team already has something better than the DNC system described in the Nature paper. (Keep in mind that the paper was submitted back in January 2016.)
DeepMind’s work is also part of a bigger trend in deep learning, Jaeger says. The leading deep learning teams at Google and other companies are racing to build new AI architectures with many different functional modules—among them, attentional control or working memory; they then train the systems through deep learning.
“The DNC is just one among dozens of novel, highly potent, and cleverly-thought-out neural learning systems that are popping up all over the place,” Jaeger says.

Результаты (русский) 1:

Человеческий мозг по-прежнему имеют значительные преимущества перед любой вдохновил мозга глубокого обучения программного обеспечения. Например человеческая память кажется гораздо лучше при хранении информации, так что от контекста или содержания, Макклеланд говорит. Он выразил надежду, что будущее глубокого обучения и исследований ИИ может лучше захватить памяти преимущества биологических мозги.Система DeepMind в DNC и аналогичные системы нейронные обучения могут представлять важнейшие шаги для постоянного развития ии. Однако ПЦУ система по-прежнему далека от что Макклелланд считает наиболее важными частями человеческого интеллекта.DNC является сложной формой внешней памяти, но в конечном счете это как папирус, элементы которой написал Евклид. Понимание математики, которые Юклид кодифицирован полагались (на мой взгляд) постепенного обучения, структурированных нейронных цепей в их мозгу так, чтобы они пришли, чтобы иметь возможность видеть отношения, другие не видели, и что структурированные нейронных цепей в евклидовом мозг так, чтобы он мог сформулировать, что писать. У нас долгий путь, прежде чем мы полностью понимаем алгоритмы, которые человеческий мозг использует для поддержки этих процессов. Неясно, когда или как Google может воспользоваться возможностями предлагаемых DNC системой для повышения своих коммерческих продуктов и услуг. Команда DeepMind была «головы вниз в исследованиях» или слишком занят с поездками, чтобы развлечь СМИ вопросы в настоящее время, по словам представителя Google.Но Герберт Jaeger, профессор вычислительной науки в Jacobs университете Бремен в Германии, видит работы команды DeepMind как «передача моментального снимка в последовательности быстрой эволюции архитектуры новых нейронных обучения.» В самом деле он уверен, что команда DeepMind уже есть что-то лучше, чем DNC система, описанная в документе природы. (Имейте в виду, что этот документ был представлен в январе 2016 г.)DeepMind's работа также является частью большей тенденции в области глубокого обучения, говорит Jaeger. Ведущие глубокие обучения в Google и другие группы компаний участвуют в гонке для создания новых архитектур AI с много различных функциональных модулей — среди них, внимания управления или рабочей памяти; они затем поезд систем путем глубокого обучения. «ПЦУ это всего лишь один из десятков романа, очень мощный и умно мысли вне обучения нейронных систем, которые являются popping повсюду»,-говорит Jaeger.

Результаты (русский) 2:

Человеческий мозг по- прежнему имеют значительные преимущества по сравнению с любой мозга вдохновил глубокого изучения программного обеспечения. Например, человеческая память кажется намного лучше при хранении информации , с тем , что она доступна обоими контекста или содержания, говорит МакКлелланда. Он выразил надежду на то, что будущее глубокое изучение и исследование ИИ могли бы лучше захватить преимущества памяти биологического мозга.
Система DNC DeepMind и аналогичные нейронные системы обучения могут представлять важные шаги для поступательного развития ИИ. Но система DNC все еще значительно отстает от того, что McClelland рассматривает наиболее важные части человеческого интеллекта.
НЦР представляет собой сложную форму внешней памяти, но в конечном счете , это походит на папирусе , на котором Евклид писал элементы. Способность проникновения в суть математиков , которые Евклид кодифицированы полагались (на мой взгляд) на постепенный процесс обучения , который структурирован нейронных цепей в мозгу , так что они пришли , чтобы быть в состоянии видеть отношения , которые другие не видели, и что структурированные нейронные цепи в Евклида мозг так , чтобы он мог сформулировать , что писать. Нам предстоит долгий путь , прежде чем мы в полной мере понять алгоритмы человеческий мозг использует для поддержки этих процессов.
Пока неясно , когда и каким образом Google может воспользоваться возможностями , предлагаемых системой DNC , чтобы повысить свои коммерческие продукты и услуги. Команда DeepMind была "вниз головой в исследовании" или слишком занят , с поездками , чтобы развлечь вопросы СМИ в это время, по словам представителя Google.
Но Герберт Jaeger, профессор вычислительных наук в Jacobs University Bremen в Германии, видит работу команды DeepMind в качестве А "прохождения снимка в быстрой последовательности эволюции новых нейронных обучения архитектур." на самом деле, он уверен , что команда DeepMind уже есть что - то лучше , чем система DNC , описанной в статье Nature. (Имейте в виду , что документ был представлен еще в январе 2016 года)
работа DeepMind является также частью более крупной тенденции в глубоком обучении, говорит Jaeger. Ведущие глубокие обучения команды в Google и других компаний соревнуются в построении новых архитектур AI с множеством различных функциональных модулей, среди которых были , или управления вниманием оперативной памяти; затем они обучают системы через глубокое обучение.
"НЦР является лишь одним из десятков романа, сильнодействующим, и умно продуманные нейронных систем обучения , которые появляются повсюду," говорит Jaeger.

Результаты (русский) 3:

человеческий мозг все еще есть значительные преимущества по сравнению с любой мозг вдохновила глубокую software.например, человеческая память кажется гораздо лучше на хранение информации и является доступной в контексте или содержание, McClelland говорит.он выразил надежду на то, что в будущем глубокой образованности и ма исследования могут лучше отражать памяти преимущества биологического мозга.deepmind - национального съезда демократической партии системы и аналогичные нервной системы обучения, возможно, представляют собой важные шаги для дальнейшего развития ".но национального съезда демократической партии система все еще далеки от того, что McClelland считает наиболее важных частей человеческого разума.национального съезда демократической партии представляет собой сложную форму внешней памяти, но, в конечном счете, это как папирус, который написал евклид элементов.идеи математиков, эвклид кодифицированы полагается (на мой взгляд) от постепенного процесса обучения, что структурированное нейронных цепей в их мозг так, что они пришли, чтобы увидеть отношения, что другие не видели, и что структурированное нейронных цепей в евклид мозг, чтобы он смог сформулировать, что написать.нам еще предстоит пройти долгий путь, прежде чем мы полностью понимаем, алгоритмы, человеческий мозг использует для поддержки этих процессов.неясно, когда и как Google может использовать возможности, предоставляемые системой национального съезда демократической партии по расширению своих коммерческих продуктов и услуг.в deepmind команда была "лицом вниз в исследованиях", или слишком занят с поездками рассматривать вопросы сми в это время, по данным Google пресс - секретарь.но герберт Jaeger, профессор вычислительных наук в университете джейкобса бремен в германии, видит deepmind работу группы, как ", проходящей снимок в быстрой эволюции последовательность новых нейронных обучения архитектуры". на самом деле, он уверен, что deepmind команды уже есть что - то лучше, чем национального съезда демократической партии система, описанная в характер документа.(имейте в виду, что документ был представлен еще в январе 2016 г.)deepmind работа также является частью большой тенденции в глубокой образованности, Jaeger говорит.ведущие глубокую обучения групп на Google и других компаний пытаются построить новые ма архитектур с множеством различных функциональных модулей, среди них, attentional контроля или рабочей памяти; затем они подготовку систем путем глубокой образованности."национального съезда демократической партии - это всего лишь один из десятков новых, весьма мощным и умно продумано нервной системы обучения, вылез на месте", - говорит Jaeger.