DeepMind Health已开发出一款名为Streams的软件，让临床医生能够更快的观察到医疗结果。
氧分子网科技讯 据外电报道，谷歌旗下的人工智能子公司DeepMind Technologies Ltd.(以下简称“DeepMind”)正努力向医疗技术领域推进，希望把自己的技术能够应用于医疗保健领域。
通过开发尖端的自主学习软件，DeepMind已经为自己建立起了声誉。这家公司开发的AlphaGo将于下月在韩国首尔与李世石进行5场挑战赛。比赛完全平等，获胜者将得到一百万美元奖金。如果AlphaGo获胜，奖金将捐赠给联合国儿童基金会（UNICEF），STEM教育，以及围棋慈善机构（Go Charity）。
总部位于伦敦的DeepMind周三表示，将通过DeepMind Health与伦敦帝国理工学院和伦敦皇家自由医院展开合作。DeepMind联合创始人穆斯塔法·苏莱曼（Mustafa Suleyman）表示，这一新部门目前约有15人，而未来还将快速增长。该公司还聘请了两名医生，指导研发工作。
DeepMind Health团队成员之一是多米尼克·金(Dominic King)，他曾是英国医疗创业公司Hark的技术联合开发者，后者已被DeepMind收购，用于进一步研发医疗技术。Hark此前为临床医生开发任务管理应用。苏莱曼说，“目前，我们正致力于构建与临床医生的信赖，并计划与医生和护士进行合作。”最终，DeepMind希望能够把自己的机器学习技术推向健康保健领域。
DeepMind Health已经开发出一款名为Streams的软件，让临床医生能够更快的观察到医疗结果。该软件目前正在皇家自由医院进行试点。该医院患者安全助理医学总监克里斯·莱恩（Chris Laing）表示，Streams只需几秒钟便能查看存在急性肾脏损伤风险的病人的验血结果，并优化对病人的治疗方案。
DeepMind进军健康保健领域，同样也是Google母公司Alphabet向保健技术和研发领域进行推进的一部分。Alphabet旗下还有一家名为Verily的生命科学子公司，以及一家名为Calico的抗衰老公司；谷歌同时也在进行基础的科学研究。Alphabet还为英国医疗机构搭建了专门的云计算系统，这一系统与谷歌的基础设施相分离。
苏莱曼表示，“DeepMind Health的长期抱负是向临床医生提供工具，帮助他们处理庞大的输入信息。”
·氧分子网（http://www.yangfenzi.com）延伸阅读：
DeepMind 研究团队的新论文Neural Episodic Control提出了一种称为NEC的新算法，使得“更广泛环境下的学习速度大幅度提高”。他们的智能体能够在获得经验后丰富快速锁定到最成功的策略上，而不是等待许多优化步骤。这个AI可以更快地理解新的经验，并以此为依据采取行动，这将使它能够更快地达到人类学习的速度。
拥有了学习能力的机器似乎已经完胜人类，尤其是在进行面部识别、视频游戏或者下围棋时。
但且慢，有一个关键领域智能机器还被人类甩在身后：学习速度。比如说，在掌握一些经典视频游戏的玩法时，人类花2小时就能学会，而机器要学习200个小时。
现在，人类学习的速度比深度学习机器快10倍。正是这样的“优越性”使得“AI战胜人类”暂且只是担忧。但是，多亏谷歌（或者都怪谷歌？），这个现状即将改变。
据位于伦敦的谷歌子公司 DeepMind 的 Alexander Pritzel 介绍，他们已经制造深度学习机器，这个AI可以更快地理解新的经验，并以此为依据采取行动，这将使它能够更快地达到人类学习的速度。
NEC算法改变了什么
深度学习通过使用神经网络层来识别数据中的模式和趋势。当一层侦测到一个模式时，它会将该信息发送到下一层，然后再发送到下下层。随着数据持续传递，所有层都知道了这一信息。
例如在面部识别中，一层可能找寻图像中的边，下一层则找出这些边的环形模式（如眼睛和嘴的轮廓），再下一层负责三角模式（如双眼和嘴构成的图形）。所有这些之后，最终输出面部的识别结果。
通过修改或调整内部因素，例如层之间的连接强度，系统学习的方式就会不同。然而，变化必须缓慢地引入，因为一层的剧烈变化对所有后续层都会产生同样的影响。这基本上就是为什么深度神经网络学习和训练的时间更长。
Pritzel 声称他们已经找到了这个问题的解决方案——他们称之为“神经情景控制”（neural episodic control）。他们表示，使用这种技术已经使得“更广泛环境下的学习速度大幅度提高”，因为他们的智能体能够在获得经验后丰富快速锁定到最成功的策略上，而不是等待许多优化步骤。
NEC算法简述
在DeepMind研究团队 3月6日提交到 arXiv 的论文《Neural Episodic Control》中指出，NeuralEpisodic Control（NEC）是一种深度强化学习智能体，可以快速吸收经验并以此为依据采取行动。该智能体使用价值函数的 semi-tabular 表征：一种过去经验的缓冲，包含了表征的缓慢变化状态和价值函数的快速更新评价。该智能体包含了三个组成部分：一个处理像素图像的卷积神经网络，一组记忆模块（每个行动一个），一个将从行动记忆中读取的信息转化为Q(s, a) 值的最终网络。
对于每个行动 ，NEC有一个简单的记忆模块 ，其中 和 是动态尺寸向量束，每一个包含相同数量的向量。记忆模块则从键到相应值以随机关联的方式采取行动，很像程序中找到的词典数据类型。因此我们把这种记忆模块称为differentiable neural dictionary (DND)。
在DND上有两种可能的操作：查询和写入。如图1所示。
当然，这又是一柄双刃剑
DeepMind 的方法是在试图复制人类和动物的学习方法。首先，它复制了大脑前额叶皮层中发生的事情——识别熟悉的情况，并根据已知情况采取行动。在面对不熟悉的情况时，它会复制海马体中发生的事情，而非采用试错法。试错法是指产生成功结果的行为被重复，不产生成功结果的行为被避免。
加快学习过程的是“记住一切”，而不是“选择性记忆”。
“我们的架构并没有尝试去学习什么时候写入记忆，因为学习这一点会花费大量的时间。相反，我们选择将所有经验写入记忆，并允许其大量增长——与现有记忆架构相比。”DeepMind研究团队解释说。
有可能像人类一样被教导的AI就像一把双刃剑。一方面，它增大了AI对人类可能获得的优势的威胁。另一方面，它也带来了更美好的前景，因为它开启了一大堆新的、令人兴奋的可能性，有希望带来使我们的生活更美好的新技术。
无论如何，时间会证明一切。