DNC的特点，是结合了精神网络的运作原理和经典计算机的运算能力和外部储存能力。简单来说，其解决方案就是将神经计算机的本体：以人类大脑为生物网络蓝本设置的精神网络，与可读写的外部存储器相分离，架设双层的处理与运算结构。

　　这样打造的运算系统，核心特征是解决了神经网络实际运作当中的机器记忆问题。做出了一台又能像人类一样想，又能像计算机一样高速运算、记忆数据的机器。在发布的论文中，这台计算机可以规划相距甚远的地铁站间的最佳路线，弄清楚复杂的亲戚关系——尤其这些都是在没有先验数据的前提下。

　　整合多元能力，对算法进行创意性的解放，在这台计算机当中展现的淋漓尽致。虽然原理听起来蛮简单，但实际运用到的解决方案却非常复杂，设计多个领域的协同。

　　四、开发用于《星际争霸2》的人工智能训练环境

　　2016年的暴雪嘉年华上，DeepMind宣布将于暴雪合作，打造一个专门玩《星际争霸2》的AI系统。这台系统会像人类一样去思考和决策，并希望复制AlphaGo的奇迹，最终打败所有人类高手。

　　这里不禁要怀疑，这家公司到底是有多爱玩游戏。

　　但事实却是如此，《星际争霸2》这种完全动态的游戏环境当中，人类选手对大势、时机、环境的处置始终都是高于电脑系统的。

　　围棋的问题是运算量巨大，而这类策略游戏的问题是变化性太强，都是人工智能面对的核心问题。

　　显然通过挑战人类擅长领域来做PR、讲故事、推产品，直播，是DeepMind的拿手好戏。

　　五、最精准的语音生成系统WaveNet

　　在玩游戏之余，DeepMind也做点大家都在做的“正经事”。

　　比如近两年，DeepMind先后公布了其在图像生成和语音生成领域的成果。比如16年公布的语音生成系统WaveNet，号称将计算机输出音频与人类自然语音差距缩小了50%。至少根据亲身尝试者的说法，这一系统比谷歌和苹果的语音生成系统都听起来自然流畅许多。

　　（波形原理合成声音的WaveNet）

　　WaveNet的优势，是通过原始的波形合成了近似真人的语音，而不是将语音样本进行逐字逐句的拼接。

　　这让未来机器的声音可能更加接近人来，想想也是细思恐极的一件事。

　　六、医疗应用计划DeepMind Health

　　以上说的，基本都是DeepMind在研发端的动向，核心载体是算法架构和论文。而在产品应用端，DeepMind也有一些动作，比如其推出的DeepMind Health就指向智能医疗系统，根据与英国全国医疗系合作获取的数据，来打造基于人工智能进行诊疗帮助和症状判断帮助的系统。比如说DeepMind打造的智能诊疗系统可以通过学习上百万份眼部监测资料，据此建立模型来识别早期征兆及早发现眼病。此外，DeepMind还架设了一些移动应用类的非人工智能产品。

　　不过，与英国医疗系统的合作也带来很大麻烦，DeepMind在缺少监督的境况下获得了全英病人数据，让媒体发出了不小的惊恐和反对声音。

　　七、帮谷歌省电

　　去年夏天，atv，很少真正尝试应用领域的DeepMind在东家谷歌的大本营小试牛刀了一把

　　利用深度学习算法，DeepMind把谷歌数据中心的冷却系统用电给节约了40%。冷却系统是维持数据中心服务器运行的重要系统，但因为设备众多、需求量极高，其中大量的能源其实是被浪费掉了。

　　DeepMind运用AI系统，优化了整个冷却系统的用电效率，据说一次性帮助谷歌节省了上亿美金的开销。而外界更加关注的，是这类技术可以被用于多种大规模工业系统上，谷歌从自家大楼做案例，显然也是要为未来的大规模发展做广告。

　　八、全面进驻谷歌TensorFlow

　　最后，不得不说的一件事，是DeepMind 虽然在产品和研究上保持了高度的独立性，但还是在2015年将研究全面进驻到了谷歌的TensorFlow开源架构当中。并且官方高度肯定了TensorFlow的高度适用性、延展度和操作体验。2016年，DeepMind 还开发了一个能在 TensorFlow 上快速创建神经网络模块的高级框架Sonnet，并且对其进行了开源处理。

　　由此可见，对于谷歌AI体系的核心业务和生态基础，DeepMind还是支持的。并且愿意在这个领域帮助谷歌完善生态。