目标驱动系统模式能否成为实现人工通用智能(AGI)的关键?

阅读量:4600
2021-06-16

自从人工智能诞生以来研究人员们1直试图通过让机器人与人类玩游戏来测试机器系统的智能水平.人们通常认为人类智慧的1大标志就于于具备创造性思考的能力——考虑多种多样的可能性并于制定短期决策的同时牢记长期目标.如果计算机能够像人类1样解决困难的游戏那么它们肯定可以处理更为复杂的任务.从上世纪510.代出现的早期跳棋机器人到如今得到深度学习技术加持的新AI智能系统已经能够于国际象棋 .围棋以及`DOTA`等游戏中击败全球好的人类选手.从这个角度来看单纯依靠解决谜题的能力来判断机器智能水平的思路已经过时.要衡量AI的极限本站还得找到更靠谱的方法.

目标驱动系统模式能否成为实现人工通用智能(AGI)的关键? (/) 汽车 第1张

因此组织开发AI方案时采取的1大核心模式正是目标驱动型系统模式.与其他AI模式1样这种形式的AI能够解决1系列原本需要人类认知能力才能处理的常见问题.于这种特定模式下机器的任务非常明确——找到解决问题的最佳途径.具体问题可能是找到顺利穿过迷宫的路径 .优化供应链或者优化驾驶路线与空闲时间.无论实际需求如何本站对AI系统的期望都是通过反复试验完成学习并找到解决问题的最佳(即使直观度很低)方法.

强化学习与实验试错学习

强化学习是目前使用比例不高 .但却最为有趣的机器学习形式之1.与监督学习方法(人类首先对数据做出标记再由机器利用标记数据完成学习)或者无监督学习方法(由机器自主尝试对信息进行分组与聚类借此完成学习)相反强化学习主要通过实验试错的方式进行学习并于迭代当中不断匹配环境反馈与总体目标最终达成理想性能.

于不使用AI的情况下组织需要依靠人类建立基于程序与规则的系统借此指导软件与硬件系统的运作流程.程序与规则虽然能够有效管理资金 .人员 .时间以及其他多种资源类型但往往存于严重的脆弱与僵化局限.这些系统的能力上限被牢牢束缚于人类所制定规则的水平身上;换句8嫡饫嗷器根本无法真正学习而只是将人类智能以规则的形式重新理解并借此保证系统的正常工作.

另1方面目标学习型AI系统的规则数量非常有限本站可以通过迭代帮助系统学会如何独立工作.以此为基.珹I能够全面优化整个系统而不必依赖于人类设定的易碎规则.目标驱动型系统于这方面证明了自己的价值表明系统完全能够从极具挑战性的问题当中自行找到"隐藏规则" .并主效将其解决.也正因为如4勘昵动型系统才于需要进行资源优化的领域当中迸发出巨大的能量.

AI技术能够有效实现砙澳D庥胱试从呕.通过将这种通用方法应用于学习当中本站可以引导AI系统学会针对特定目标或方案的优化方向并找出很多即使是拥有多.从业经验的资深人类博士也难以发觉的解决方案.如此1来尽管目标驱动型系统模式于普及度方面不及其他模式(例如识别 .预测分析或者对话模式)但却于众多行业中显示出巨大的发展潜力.

于金融领域基于强化学习的目标驱动系统也于遍地开花.以"机器人咨询"为例这类方案通过自主学习发现众多能够满足个人特定需求的储蓄与投资计划.目标驱动系统模式还能于控制交通信号灯系统方面发挥作用找到好的程度保证流量通行能力的控制方式.供应链与物流行业也于使用此类系统寻求打包及配送货物的最优方法.除此之外训练物理机器人 .创造可指挥机器人行走及跳跃的算法等也都是目标驱动系统模式的理想施展舞台.

目标驱动系统甚至被应用于电子商务与广告宣传当中负责帮助客户找到最佳商品价格并自动给出广告展示区报价.目标驱动系统甚至于制药行业中计算蛋白质折叠并找到发现疾病的创新方法.这些系统能够选择最佳试剂与反应参数设计出所需产品这种强大的能力也使其成为高度复杂的药物或治疗流程中的新型资产.

目标驱动型系统模式能否成为实现人工通用智能(AGI)的关键?

实验试错是种行之有效的好办法而且很可能适用于几乎1切问题.值得1提的是DeepMind是1家致力于将机器智能变成现实的机构.该机构已经成功解决了1系列人们原本以为机器永远无法解决的难题.于他们看来强化学习型目标驱动系统很可能成为解锁机器人好的形态的关键——这将是1台能够学习1切知识 .完成任何任务的机器."通用智能"的概念类似于人类大脑这意味着人工通用智能不再像当前已经存于的真实AI系统那样只能专注于狭窄的单1学习任务而能够学习到1切知识并将经验心得从1个领域转移到另1个领域——期间无需进行大量重新训练.

DeepMind公司成立于英方并于2014.接受了谷歌收购.他们希望突破目标驱动系统及其他AI模式的能力范围解决各类最复杂的机器智能问题.从设计专业级围棋AI系统AlphaGo为起点DeepMind方面又迅速开发出AlphaZero——后者能够从零开始学习任何游戏并快速获得远超1般人类的技术水平.以往AlphaGo需要几个.才能学习完成的对弈技巧如今基于强化学习的AlphaZero已经能够于短短几天之内完成.从零开始以提高胜率作为唯1目标AlphaZero于多达100款测试游戏中均将AlphaGo斩于马下.

正如技术行业的从业者们乐于使用新兴成果1样DeepMind也于努力将新的发现转化为可能的实际应用.AlphaZero使用当时最尖端的技术创建而成目前已经被用于推动神经科学及行为心理学等领域的研究.此外人们还于利用这些技术开发强大的通用学8惴ㄒ残砣斯ねㄓ弥悄芰煊虻恼嬲突破再有几.就会初现4.

对整个人工智能行业来说机器学习可以算是发展过程中的10字路口.目前使用范围最广的算法主要负责解决重要但相对简单的问题.尽管机器已经证明了自己有能力识别图像 .理解语音 .发现模式 .识别异常并做出预测但这类算法于好的完成任务之前仍然需要大量训练数据与狭窄的学习任务作为基础.于这种情况下机器学习需要耗费大量数据以及可观的计算资源.如果想要解决的任务足够复杂那么大家可能需要准备PB甚至更高数量级的训练数据 .投入数10万美块租用GPU密集型计算资源并等待长达数个.时间.很明显单靠这样的暴力手段本站永远不可能实现人工通用智能.

目标驱动型系统模式属于当前7大主流AI模式当中使用频率最低的1种但却也是最有可能突破数据与计算密集型樊篱的关键.好消息是如今目标驱动型系统正越来越多地于具有实际用例的项目中得到实施.凭借着光明的发展前8也成为其中最有趣 .最值得期待的模式之1.

THE END

发表评论

用户评论(5)

相关推荐

    1. 欧洲杯下注