侵权投诉
焊接机器人 喷涂机器人 搬运机器人 装配机器人 切割机器人 其它机器人
订阅
纠错
加入自媒体

微软:现实生活中运用AI如何能够做到像虚拟世界那般“无敌”?

2017-06-03 08:21
PokerJoker
关注

毫不夸张地说,成为机器智能研究员真的是一件令人激动的事情。最近,机器学习(ML)和人工智能(AI)取得的一系列成功——从实现人机平等的语音识别到打败世界冠军的棋盘游戏,都表明了这些领域的发展前景。

然而,这些成功大多数仅限于在封闭的虚拟世界中,这种“封闭”世界的操作为AI agents提供了两个显着的优势。首先,这些AI agent只需要针对具体任务来设计操作——一个玩棋盘游戏的智能agent只需要理解下一步最好的走向策略是什么,而不需要其他的。其次,这些系统中的大多数AI程序都享受到丰富的资源——通过收集得到的经过注释的、接近无限的训练数据。无论是从繁琐的过去经验积累中,还是通过自我学习的技术都可以得到这些“大数据”。

那么,现在我们来考虑一下机器人、物联网(IoT)设备以及在现实世界中运行和执行任务的自主车辆设备,这超出了封闭式范式的狭义环境的假设。这些设备不仅要完成首要任务,还必须生活在一个开放世界中,接受着各种未建模的外部现象的挑战。除此之外,这些系统还需要通过最少量的训练来适应和学习。鉴于需要大量的技术的训练数据来获得成功的范例,例如利用强化学习、示范学习和迁移学习的设备来说,开放环境尤其具有挑战性。

虽然已经有了综合AI的例子,通过几个单独的组件可以搭建人工智能系统,但是我们仍然需要探索一些基本原理,从而使核心架构可以构建一个可以在现实世界中具有可适应性和智能性的系统。

微软:现实生活中运用AI如何能够做到像虚拟世界那般“无敌”?

AirSim的快照显示了在城市环境中飞行的飞机。插图显示实时生成的深度,对象分割和前置摄像头流。

在微软的研究部门,就正将机器人和网络物理系统相关领域的提上议程,其目标是探索和揭示统一的算法和技术结构,从而实现这种现实世界的人工智能。微软的信念是,在基础层面解决三个关键方面,以便实现在现实世界中建立AI agents的下一次重大飞跃。这三个方面分别是结构,模拟和安全,正如下述:

结构

结构:解决数据稀缺问题的一个方法是使用真实世界的统计和逻辑结构。比如环境中的秩序(如交通规则,自然规律以及我们的社交圈)可以非常有助于消除现实世界中所面临的不确定性。例如,我们最近在非确定性无悔重规划(No-Regret Replanning Under Uncertainty)的工作,显示了现有的机器人路径规划算法是如何利用风的统计结构,在数据不足的情况下来确定如何接近最优路径的。

1  2  下一页>  
声明: 本文由入驻维科号的作者撰写,观点仅代表作者本人,不代表OFweek立场。如有侵权或其他问题,请联系举报。

发表评论

0条评论,0人参与

请输入评论内容...

请输入评论/评论长度6~500个字

您提交的评论过于频繁,请输入验证码继续

暂无评论

暂无评论

文章纠错
x
*文字标题:
*纠错内容:
联系邮箱:
*验 证 码:

粤公网安备 44030502002758号