一个算法统治一切！DeepMind提出神经算法推理，深度学习和传统算法融合再现奇迹？

雄心勃勃的DeepMind，要在深度学习网络和传统算法之间架桥了！

众所周知，经典算法是使软件能够风行世界的原因，但这些算法所使用的数据并不总是能反映真实世界。

而深度学习是当今AI应用的源动力，但深度学习模型需要重新训练，才能应用于最初设计的领域。

现在，DeepMind想开创一条新路，他们要找到一种深度学习模型，模仿任何经典算法，并在现实世界实现功能。

只用一个算法，统治一切！

近年来，DeepMind因AI领域的一些标志性成就而屡上头条。AlphaGo打破人类选手对围棋的统治，AlphaFold解决了生物学领域50年来的大难题。

现在，DeepMind将目光投向另一个重大挑战：将深度学习与计算机科学经典算法联系起来。

经典算法和深度学习网络的本质不同

要实现这个目标，首先要理解二者的主要区别。即：经典算法和深度学习网络的性质有什么不同？

DeepMind的两位研究人员Charles Blundell和Petar Veli?kovi?专门谈了这个问题。他们都在DeepMind担任高级研究职位。

他们认为，二者之间的主要区别在于「泛化性」和「最优解」问题。

Blundell表示，第一，算法在大多数情况下不会改变。算法由一组固定的规则组成，这些规则在某些输入上执行。对于算法获得的任何类型的输入，算法都会在合理的时间内给出合理的输出。更改输入的大小，算法会继续工作。

第二，算法可以串连在一起。算法的性质决定了：给定某种输入，只产生某种输出。我们可以把一个算法输出作为其他算法的输入，构建一个完整的堆栈。

即使是简单任务，要用深度学习来完成算法的工作也很困难。比如一个最简单的任务：复制文本。输出为输入的本文复制。

这么简单的任务，要深度学习完成就很麻烦。如果只在1-10个字符长度上进行训练，那么当任务字符长度超出时，输出就会出问题，因为它学不会算法中的核心思想。

如果任务再复杂一点，比如涉及排序，训练神经网络的性能会更差。而这对于传统意义上的算法来说根本不是问题。

总结一下就是：

深度学习网络的泛化性能很差，但在充分训练的特定问题上，往往比算法产生更优化的结果。

传统算法是可泛化的。改变输入数据的大小和类型，原来可用的算法程序依然可用。但算法有时产生的结果可能不是最优的。

怎么同时解决这两个问题，同时获得算法和深度学习的优势？

神经算法推理：一个算法，统治一切！

Blundell 和 Veli?kovi?提出了一个方向：神经算法推理（NAR）。
NAR 关键点是，通过用深度学习方法更好地模仿算法，让深度学习实现算法的高度可泛化性，同时保留对问题的最优解。 

DeepMind已经选择和谷歌地图APP进行合作，将图网络作为NAR的试验场。他们利用谷歌地图的图网络数据，对用户旅行时的到达时间进行预测。相关论文已经发表。

2020年，谷歌地图是美国下载量最大的地图和导航应用，每天有数百万人在使用。谷歌地图重要的寻路（Pathfinding） 功能，其背后的技术支持正是DeepMind提供的。

为何选择图网络模型来做这件事呢？ Veli?kovi?表示，因为实际上任何对象都可以适用图表示的框架。 「比如图像，可以看作是由附近的像素组成的图。文本可以看作彼此相连的一系列目标。更广泛地说，自然界中没有被人为设计编排进某个框架或序列的东西，都非常自然地表现为图结构。」
为什么要使用专门应用于深度学习算法的泛化框架，而不仅仅是直接使用机器学习算法？

因为他们希望设计能在真正在复杂现实世界中顺利运行的解决方案。大规模处理大量自然数据的最佳解决方案就是深度神经网络。
Blundell对NAR研究的未来潜力表示乐观。

「在面向对象的编程中，在对象类之间发送消息，你会发现它完全相似，你可以构建非常复杂的交互图，然后将其映射到图神经网络中。从这种复杂的内部结构中获得的丰富性，可以学习使用更传统的机器学习方法不一定能获得的算法。」Blundell说。

发布日期：2021年10月14日

来源： 新智元