（文章來源：中國機器人網(wǎng)）

激進的變革、革命、大趨勢，甚至可能是一種風險：人工智能已經(jīng)滲透到所有的工業(yè)領(lǐng)域，讓媒體忙個不停。rub神經(jīng)計算研究所的研究人員已經(jīng)研究了25年,他們的指導原則是：為了使機器真正智能化，新的方法必須首先使機器學習更加高效和靈活。

神經(jīng)系統(tǒng)理論的主席勞倫斯·維斯科特教授解釋說：“今天有兩種類型的機器學習是成功的：深神經(jīng)網(wǎng)絡(luò)，也稱為深學習，以及強化學習。神經(jīng)網(wǎng)絡(luò)能夠做出復雜的決策。它們經(jīng)常用于圖像識別應用?！崩?，他們可以從照片中分辨出拍攝對象是男性還是女性。這種網(wǎng)絡(luò)的結(jié)構(gòu)是受到大腦中神經(jīng)細胞或神經(jīng)元網(wǎng)絡(luò)的啟發(fā)，神經(jīng)元通過幾個輸入通道接收信號，然后決定是否以電脈沖的形式將信號傳遞給下一個神經(jīng)元。

神經(jīng)網(wǎng)絡(luò)同樣接收幾個輸入信號，例如像素。在第一步中，許多人工神經(jīng)元通過簡單地將輸入乘以不同但不變的權(quán)重，然后將它們相加，計算出來自多個輸入信號的輸出信號。每一個算術(shù)運算都會產(chǎn)生一個值，這個值——以男性/女性為例——對女性或男性的決策有一點幫助。”但是，如果將負結(jié)果設(shè)置為零，則結(jié)果會略有改變。這也是從神經(jīng)細胞中復制出來的，對神經(jīng)網(wǎng)絡(luò)的性能至關(guān)重要。

另一方面，強化學習受到心理學的啟發(fā)。在這里，算法所做的每一個決定——專家稱之為代理——要么得到獎勵，要么受到懲罰?！毕胂笠粋€中間有代理的網(wǎng)格。它的目標是以最短的路線到達左上角的位置，但它并不知道這一點，“經(jīng)紀人唯一想要的就是盡可能多地獲得獎勵，否則就毫無頭緒了。一開始，它會橫沖直撞，每一步達不到目標都會受到懲罰。只有朝著目標邁出的一步才會有回報。

為了學習，代理為每個字段分配一個值，指示從該位置到其目標還有多少步。最初，這些值是隨機的。經(jīng)紀人在董事會獲得的經(jīng)驗越多，就越能使這些價值觀適應現(xiàn)實生活條件。經(jīng)過無數(shù)次的跑步，它能夠找到最快的方式達到目標，并因此獲得獎勵。

“這些機器學習過程的問題在于它們相當愚蠢，”勞倫斯·維斯科特說?；A(chǔ)技術(shù)可以追溯到20世紀80年代，目前之所以取得成功，唯一的原因是我們擁有了更多的計算能力和更多的可用數(shù)據(jù)。為了訓練神經(jīng)網(wǎng)絡(luò)，有可能快速運行幾乎效率低下的學習過程無數(shù)次，并將大量的圖像和圖像描述反饋給神經(jīng)網(wǎng)絡(luò)。

這就是為什么神經(jīng)計算研究所的研究人員將重點放在幫助機器自主發(fā)現(xiàn)結(jié)構(gòu)的新策略上?！睘榇?，我們采用了無監(jiān)督學習的原則。雖然深層神經(jīng)網(wǎng)絡(luò)和強化學習是基于提出期望的結(jié)果或獎勵或懲罰每一步，研究人員離開學習算法很大程度上與他們的輸入。

“回到人們的照片的例子，人們可以在分組后查看結(jié)果，可能會發(fā)現(xiàn)計算機已經(jīng)把一組男人的照片和一組女人的照片組合在一起，”勞倫斯·維斯科特解釋說。一個主要的優(yōu)勢是，一開始所需要的只是照片，而不是像以前那樣，一個包含謎語解決方案的圖片說明，用于訓練目的?！?/p>

此外，慢性原則這種方法提供了更多的靈活性，因為這樣的群集形成不僅適用于人的照片，而且適用于汽車、植物、房屋或其他物體。

wiskott所追求的另一種方法是緩慢原則。這里，不是照片構(gòu)成輸入信號，而是運動圖像：如果從變化非常緩慢的視頻中提取所有特征，就會出現(xiàn)有助于建立環(huán)境抽象表示的結(jié)構(gòu)?！痹谶@里，重點是預結(jié)構(gòu)輸入數(shù)據(jù)，”勞倫斯指出。最終，研究者將這些方法以模塊化的方式與監(jiān)督學習的方法相結(jié)合，以便創(chuàng)建更靈活的應用程序，然而這些應用程序非常精確。

研究人員承認：“增加的靈活性自然會導致性能損失?！钡珡拈L遠來看，如果我們想開發(fā)出能夠應對新形勢的機器人，靈活性是必不可少的。