一項新挑戰(zhàn)考驗了人工智能的學習能力

（文章來源：教育新聞網(wǎng)）

無論我們正在學習煮煎蛋還是開車，通向其他人的技能往往都是掌握新技能的途徑。但是人工智能可以以相同的方式學習嗎?教學AI特工發(fā)揮新的挑戰(zhàn)，我的世界表明，它的電腦很多麻煩。

MineRL競賽于今年早些時候宣布，它要求研究人員團隊創(chuàng)建可以在Minecraft中成功開采鉆石的AI機器人。這不是一項不可能的任務，但確實需要掌握游戲的基礎(chǔ)知識。玩家需要了解如何砍伐樹木，制作鎬以及探索地下洞穴，同時躲避怪物和熔巖。這些是大多數(shù)成年人在經(jīng)過幾個小時的實驗后可以掌握的技能，或者通過觀看YouTube上的教程來學習得更快。

但是，根據(jù)將在AI會議NeurIPS上宣布并由BBC News首次報道的結(jié)果，在MineRL競賽的660個參賽作品中，沒有一個能夠完成挑戰(zhàn)。盡管機器人能夠?qū)W習中間步驟，例如建造熔爐來制造耐用的鎬，但沒有人成功找到鉆石。“我們提出的任務非常艱巨，”幫助組織這一挑戰(zhàn)的微軟研究院首席研究員卡特婭·霍夫曼告訴卡塔爾新聞社?！半m然沒有提交的代理完全解決任務，但他們已經(jīng)取得了很大的進步，并學會了制作此過程中所需的許多工具?！?/p>

這可能令人驚訝，特別是當您認為AI在象棋，圍棋和Dota 2等游戲中已經(jīng)成功地使人類脫穎而出時。但這反映了該技術(shù)的重要局限性以及MineRL法官為真正挑戰(zhàn)游戲界所施加的限制。團隊。MineRL中的機器人必須使用稱為模仿學習和強化學習的方法進行組合學習。在模仿學習中，向坐席顯示任務之前的數(shù)據(jù)，然后他們嘗試模仿它。在強化學習中，他們只是被丟棄到虛擬世界中，并通過反復試驗自行解決問題。

通常，人工智能只能通過結(jié)合這兩種方法來應對巨大挑戰(zhàn)。例如，著名的AlphaGo系統(tǒng)首先通過獲取舊游戲的數(shù)據(jù)來學習玩Go。然后，它不斷地發(fā)揮自己的作用，從而磨練了自己的技能，超越了所有人。

（責任編輯：fqj）