日前，DeepMind的研究人员已经开始将想象力赋予人工智能，以使人工智能不需要人类的指令，就可以决策推理，并为未来实施制定计划。
在行动之前就考虑清楚行动的后果，这对我们人类来说简单，但是，对机器来说却很难。
不过，这种能力对日后开发人工智能算法至关重要。
谷歌DeepMind实验室的研究人员表示，他们的目标是让系统更好地适应自身计划外的、不断变化的环境。同时，他们还会植入人们对机器“造反”的担忧。
DeepMind博客文章中这样解释:“例如，在桌子边缘放上一个玻璃杯，人可能会停下来考虑它的稳定性以及它是否会被碰掉。”“在这种想象结果的基础上，人可以重新调整玻璃杯的位置，防止它坠落和破裂。”“如果我们的算法也能开发出同样复杂的行为，就必须具备‘想象力’和对未来的推理能力。除此之外，它们还必须能利用这些知识构建一个方案。”
关于这个方案的效果，我们已经在AlphaGo身上看到了。DeepMind的AlphaGo之所以能在围棋中取得胜利，是因为它计算出了未来的结果。
然而，现实世界的规则比围棋规则更加多样化和复杂，这就是为什么DeepMind团队没有满足于AlphaGo的成绩，而一直在研究另一层面上可以运行的系统。
为了做到这一点，研究人员将几种现有的人工智能方法结合在一起，包括加强学习(通过试验和错误学习)和深度学习(以人类大脑学习机制处理大量数据)。他们最终得到了这样一个系统，机器可以在行动之前了解自己所处的环境，然后学会思考。
他们测试新算法的一个方法是玩“推箱子”（上世纪80年代的一款视频游戏），在游戏中，玩家必须推着板条箱来解决谜题。因为有些动作做错了无法撤销，所以机器需要提前计划，而人工智能并没有预先给出游戏规则。
研究人员发现，他们新的“富有想象力的”机器可完成85%的任务，而使用较老方法只能完成60%的任务。
研究人员说:“想象力增强型机器的表现优于无想象的机器。”“他们能以较少的学习经验，应对环境建模的缺陷。”该团队还注意到新机器的一些进步:可以更好地处理知识空白，想象力增强型机器更擅长为自己的模拟挑选有用的信息，可以学习不同的策略来制定计划。
这不仅仅是一个单纯的计划，而是附加了创造力的计划，同时，机器还能把潜在的未来行动结合――或者以不同的方式混合在一起，以确定最有前途的路线。
尽管DeepMind的测试取得了成功，但这项技术仍处于早期阶段，而这些游戏并不代表复杂性更高的真实世界，距离应用现实还有很长的路要走。不过，这是一个很有希望的开始， 在开发人工智能时，如果研究水杯里的水是否可能溢出来，而不只是在桌子边缘放上一杯水看它是否会跌落，再加上各种其他更有用的场景，或许会更有趣。
研究人员总结说:“我们需要进一步分析和考量，以提供可扩展的解决方案，丰富基于模型的‘代理’，使其可以利用自己的想象力在未来提供推理和计划。”
来源：sciencealert
作者：DAVID NIELD
智能观 编译并整理
