自从人工智能诞生以来，研究人员们一直试图通过让机器人与人类玩游戏来测试机器系统的智能水平。人们通常认为，人类智慧的一大标志，就在于具备创造性思考的能力——考虑多种多样的可能性，并在制定短期决策的同时牢记长期目标。如果计算机能够像人类一样解决困难的游戏，那么它们肯定可以处理更为复杂的任务。从上世纪五十年代出现的早期跳棋机器人，到如今得到深度学习技术加持的新AI，智能系统已经能够在国际象棋、围棋以及《DOTA》等游戏中击败全球顶尖人类选手。从这个角度来看，单纯依靠解决谜题的能力来判断机器智能水平的思路已经过时。要衡量AI的极限，我们还得找到更靠谱的方法。

　　因此，组织开发AI方案时采取的一大核心模式，正是目标驱动型系统模式。与其他AI模式一样，这种形式的AI能够解决一系列原本需要人类认知能力才能处理的常见问题。在这种特定模式下，机器的任务非常明确——找到解决问题的最佳途径。具体问题可能是找到顺利穿过迷宫的路径、优化供应链或者优化驾驶路线与空闲时间。无论实际需求如何，我们对AI系统的期望都是通过反复试验完成学习，并找到解决问题的最佳（即使直观度很低）方法。

　　强化学习与实验试错学习

　　强化学习是目前使用比例不高、但却最为有趣的机器学习形式之一。与监督学习方法（人类首先对数据做出标记，再由机器利用标记数据完成学习）或者无监督学习方法（由机器自主尝试对信息进行分组与聚类，借此完成学习）相反，强化学习主要通过实验试错的方式进行学习，并在迭代当中不断匹配环境反馈与总体目标，最终达成理想性能。

　　在不使用AI的情况下，组织需要依靠人类建立基于程序与规则的系统，借此指导软件与硬件系统的运作流程。程序与规则虽然能够有效管理资金、人员、时间以及其他多种资源类型，但往往存在严重的脆弱与僵化局限。这些系统的能力上限，被牢牢束缚在人类所制定规则的水平身上；换句话说，这类机器根本无法真正学习，而只是将人类智能以规则的形式重新理解，并借此保证系统的正常工作。

　　另一方面，目标学习型AI系统的规则数量非常有限，我们可以通过迭代帮助系统学会如何独立工作。以此为基础，AI能够全面优化整个系统，而不必依赖于人类设定的易碎规则。目标驱动型系统在这方面证明了自己的价值，表明系统完全能够从极具挑战性的问题当中自行找到“隐藏规则”、并主效将其解决。也正因为如此，目标驱动型系统才在需要进行资源优化的领域当中迸发出巨大的能量。

　　AI技术能够有效实现场景模拟与资源优化。通过将这种通用方法应用于学习当中，我们可以引导AI系统学会针对特定目标或方案的优化方向，并找出很多即使是拥有多年从业经验的资深人类专家也难以发觉的解决方案。如此一来，尽管目标驱动型系统模式在普及度方面不及其他模式（例如识别、预测分析或者对话模式），但却在众多行业中显示出巨大的发展潜力。

　　在金融领域，基于强化学习的目标驱动系统也在遍地开花。以“机器人咨询”为例，这类方案通过自主学习发现众多能够满足个人特定需求的储蓄与投资计划。目标驱动系统模式还能在控制交通信号灯系统方面发挥作用，找到最大程度保证流量通行能力的控制方式。供应链与物流行业也在使用此类系统寻求打包及配送货物的最优方法。除此之外，训练物理机器人、创造可指挥机器人行走及跳跃的算法等也都是目标驱动系统模式的理想施展舞台。

　　目标驱动系统甚至被应用于电子商务与广告宣传当中，负责帮助客户找到最佳商品价格并自动给出广告展示区报价。目标驱动系统甚至在制药行业中计算蛋白质折叠，并找到发现疾病的创新方法。这些系统能够选择最佳试剂与反应参数，设计出所需产品，这种强大的能力也使其成为高度复杂的药物或治疗流程中的新型资产。

　　目标驱动型系统模式能否成为实现人工通用智能（AGI）的关键？

　　实验试错是种行之有效的好办法，而且很可能适用于几乎一切问题。值得一提的是，DeepMind是一家致力于将机器智能变成现实的机构。该机构已经成功解决了一系列人们原本以为机器永远无法解决的难题。在他们看来，强化学习型目标驱动系统很可能成为解锁机器人终极形态的关键——这将是一台能够学习一切知识、完成任何任务的机器。“通用智能”的概念类似于人类大脑，这意味着人工通用智能不再像当前已经存在的真实AI系统那样只能专注于狭窄的单一学习任务，而能够学习到一切知识并将经验心得从一个领域转移到另一个领域——期间无需进行大量重新训练。

Tags：学习(39)机器人(25)智能(43)通用(4)驱动系统(1)

转载请标注：电脑技术网——目标驱动系统模式，能否成为实现人工通用智能（AGI）的关键？