2.31 跨環(huán)境抽象（Abstracting Across Environments）

人工智能領(lǐng)域的一個長期目標(biāo)是實現(xiàn)人工通用智能，一個單一的學(xué)習(xí)程序可以同時在完全不同的領(lǐng)域進行學(xué)習(xí)和行動，可以轉(zhuǎn)換一些學(xué)習(xí)到的技巧和知識，比如學(xué)會做餅干，并將這種技巧用在做布朗尼蛋糕上，甚至比以前做的更出色。在這種通用領(lǐng)域取得顯著進展的是 Parisotto、Ba 和Salakhutdinov。他們在 DeepMind 上建立了開創(chuàng)性的 DQN，論文發(fā)表在今年的早些時候的《自然》雜志上，它可以學(xué)習(xí)玩很多不同的雅達利游戲，并且玩的還不錯。

這個團隊并沒有在每個游戲上使用全新的網(wǎng)絡(luò)，而是將深度多任務(wù)強化學(xué)習(xí)與深度遷移學(xué)習(xí)結(jié)合，這樣可以在不同類型的游戲上使用同樣的深度神經(jīng)網(wǎng)絡(luò)。這不僅僅會使得單個實例可以成功地在多個不同游戲中使用，而且還能更好更快地學(xué)習(xí)新游戲，因為它記得其他游戲的一些模式。比如，它可以更快地學(xué)習(xí)新的網(wǎng)球游戲，因為它在玩乒乓球的時候已經(jīng)形成了這樣的概念——用球拍擊球是有意義的抽象。這還不算是通用智能，但是它是達到通用智能的一塊墊腳石。

不同模式推理是今年的又一大亮點。艾倫人工智能研究所和華盛頓大學(xué)一直致力于研究測試對話 AI，經(jīng)過多年的研究，已經(jīng)從四年級水平測試提升到了八年級水平測試，今年他們宣布已經(jīng)開發(fā)出一套系統(tǒng)可以解決美國高考中的幾何學(xué)部分的問題。這些幾何測試包括圖表組合（combinations ofdiagrams）、補充信息（supplemental information）和詞語問題（word problems）。在更小范圍的AI中，這些不同的形式將典型地分別分析，基本上根據(jù)不同的環(huán)境。這套系統(tǒng)結(jié)合了計算機視覺和自然語言處理，將它們內(nèi)嵌在同樣的結(jié)構(gòu)化形式體系中，然后應(yīng)用集合推理來回答選擇題，它的表現(xiàn)可以與美國高二年級學(xué)生平均水平媲美。

總結(jié)

以上是生活随笔為你收集整理的《中国人工智能学会通讯》——2.31 跨环境抽象（Abstracting Across Environments）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。