Google 的DeepMind（深度思维）人工智能使用弹性重量组合来解决我们的记忆力问题。
它在人工神经网络上对于我们更好的理解我们的大脑有着很大的帮助。就是说为人工智能赋予记忆。
  近来深度思维的研究证明对于构建人类神经网络是多么令我们热情高涨。人脑和计算模式之间的联系
揭示着我们思维的弱点并且教会我们如何去克服这些弱点。
  谷歌的工程师，受到神经系统科学的启发，使用人工神经网络创造了一种人工智能，这种人工智能可以
让人们在不断的经历和学习过程中，将经验和记忆存储，成为长期的经验。我们不太擅长觉察到什么是最
重要的。你可能在第一次骑车的时候想起歌词，也可能在工作成就中想起重要的信息。
  神经系统科学逐渐拉开帷幕，使得人脑的长期构造机制对于我们来说更加简单。解释我们的思维是如何保
护最重要的信息，不被次要的数据和信息所覆盖。这是深度思维现在在做的事情，在人工智能中复制神经系统。
  人工智能通过纯粹的数字和纯粹的蛮力来了解什么不是显著的。如果你不得不通过数以万计的经验中来处理你
做事的方式的话，你可能会更加觉察到什么是最重要的。此外，你可能塑造你的以及来匹配这种意识。然而，人工
智能可以做到这一点， 因为它知道什么是最重要的。
  换句话说，深度思维正在经历灾难性的遗忘，就是用新的信息不断取代人脑中已经存储的重要信息。这些信息如
此重要，但是却不断被取代和遗忘。但是对于人工智能来说，却不是。例如在Atari游戏中，AI不需要每轮重新开发
车轮，它已经记住了前面三个赛季发明的所有车轮。
  新的DeepMind研究方法，弹性重量组合，比之前的机器学习方法更加的优化。弹性重量组合简单来说，意味着加重
分配给神经元的突触的保护，使得这段在将来不被新的信息覆盖。用这种方式，经常使用的神经突触，与最重要的技
能相关的神经突触被保留，不重要的突触首先被丢失掉。因为整个神经网络不会扩张到笨重的难以处理的大小。
   这些人工智能神经系统的进步是我们的一面镜子，让我们用更有用的方式看到人类思维和记忆的难题。正如我们看
到的，人工智能神经系统开始有系统地保护重要的神经突触，我们可以看到人脑特定区域学习的蓝图。我们很难从大脑
自然状态的进化来学习，因为太难，很难观察到。
  另一个方面，人工智能系统的进化，能够为我们提供一个模型和记忆保护的策略。
  弹性重量组合是人工智能和人类智能的核心，因为它使得每个学习和经历后的经验存储，不会忘记。 新的DeepMind算法
模式模仿了人类大脑的神经突触组合。并且改进了流程，找到新的方法来有效地保留现有的知识。由于人工智能系统取得
更大成功的挑战 （我们认为是人类的领域），我们可以学习它如何解决丢失的知识，错误的信息覆盖和其他错误计算的问
题。还有人类众所周知的难题-遗忘。
  在代码中自然进化的娱乐为我们提供了一个我们自己的神经发育的窗口。 这是人工智能向我们呈现的美丽和可能性：为我
们自己的大脑设计新的研究和实验的能力。

  YaK教育正基于这样一种模式和方法帮助孩子成长，给予孩子的一个愉悦的空间，在代码中创造他们的世界。用人类创造的智能
科学激发孩子的潜能。