AI 究竟能否抓住推理的本质，对分布在元素之间的远距离关系实现认知？

AI 终究能否捉住推理的实质，也便是，对散布在多个现实或回忆中的元素之间的远距离联系完结认知？ 

为此，Alphabet 子公司 DeepMind 企图从即将在 Arxiv.org 上发布的一项研讨中找到答案，该研讨提出了一种具有远距离推理才能的架构 MEMO 。依照研讨人员说法，MEMO 有两个新的组成部分：第一个介绍现实和存储在外部存储中的回忆之间的不同点，第二个则选用检索体系，该体系答应在决议答案之前运用可变数量的“内存跃点”。

经过这两个部分，可以使之可以处理新式推理使命。

这个架构的创意来历是海马。论文的合著者写道：

海马以全新的方法支撑单个经历的灵敏重组，以推断出未观察到的联系……这称为推理。风趣的是，已经有依据证明，海马是经过一个被称之为方法别离（pattern separation）的进程互相独登时存储回忆，以最大程度地削减回忆之间的搅扰。 最近的一项研讨提醒了这一点：这些被独立存储回忆的整合出现在经过循环机制（该机制答应多个方法别离的代码进行交互并因而支撑推理）进行检索的时分。 

由此，DeepMind 的作业从这项研讨中取得启示，以研讨和增强机器学习模型中的推理。 研讨人员运用神经科学文献，规划了一个进程生成的使命，称为配对联想推理（paired associative inference，简称 PAI），该使命旨在经过迫使 AI 体系学习笼统常识以处理从前未见的问题来获取推理才能。 

随之，研讨者们构建了 MEMO，它可以在供给输入查询时会输出一系列或许的答案；而且为了尽量削减必要的核算，答案还多选用表征的方法。

研讨人员说，MEMO 在内存中保留了一组现实，并学习了一种与某种机制合作运用的映射方法，该机制在运用内存时具有更大的灵敏性，而且它与典型的 AI 模型不同，由于它使核算时刻习惯了使命的杂乱性。 在作业进程中，MEMO 从称为 REMERGE 的人类联想回忆模型中获取头绪，该回忆将从回忆中检索到的内容作为新查询进行再循环，并运用再循环进程中不同时刻步长检索到的内容之间的差异来核算模型是否已习惯在固定点上，随后，MEMO 会输出一个动作，该动作指示它是否期望持续核算并查询其内存，或许是否是可以呼应给定的使命。 

在测验中，DeepMind 的研讨人员在 Facebook AI Research 的 bAbi 套件中将 MEMO 与两个基准模型以及当时的最新模型进行了比较，成果显现，MEMO 可以在 PAI 使命上完结最高的准确性，而且它是仅有可以在较长的序列上成功答复最杂乱的推理查询的体系结构。  

此外，与功能最佳的基准模型的 10 个过程比较，MEMO 仅需求三个“跃点（hops）” 即可完结一项使命。 在另一个需求模型在给定节点图的情况下找到两个节点之间最短途径的使命中，面临更为杂乱的节点图，MEMO 比基准模型的体现好出了 20％。