机器人,人工智能和计算机科学的未来

机器人,人工智能和计算机科学的未来

机器人,人工智能和计算机科学的未来

artificial intelligence human emotions
人工智能和机器学习今年很快成为流行语。 照片:Shutterstock / Ociacia

早在20世纪80年代,一位教师挑战我写一个玩井字游戏的计算机程序。 我悲惨地失败了。 但就在几个星期前,我向我的一位计算机科学研究生解释了如何使用所谓的“ ”来解决井字游戏,我们花了大约一个小时来编写程序来完成它。 当然,我的编码技能多年来已有所改进,但计算机科学也取得了长足的进步。

几十年前似乎不可能的事情今天非常容易。 1997年,当一部名为象棋电脑在六场比赛中时,人们惊呆了。 2015年,Google透露其DeepMind系统已经掌握了几个 ,包括在“ ”中教授自己的关键获胜策略。2016年,谷歌的AlphaGo系统在击败了排名第一的Go玩家。

寻求可以在游戏中击败人类的技术系统仍在继续。 5月下旬,AlphaGo将迎来世界上最好的球员科杰,以及中国乌镇未来之峰峰会的其他对手。 随着计算能力的提高和工程技术的提高,即使在我们认为依赖于人类直觉,机智,欺骗或虚张声势的游戏中,计算机也能击败人类。 我最近看了一个视频,其中排球运动员练习他们的服务和针对橡胶手臂试图阻止射击。 一个教训是明确的:当机器赢得胜利时,人类的努力是徒劳的。

这可能很棒:我们想要一个完美的AI来驾驶我们的汽车,以及一个寻找X射线癌症迹象的不知疲倦的系统。 但是当谈到比赛时,我们不想失败。 幸运的是,AI可以让游戏变得更有趣,甚至可以让游戏变得无穷无尽。

设计永不老化的游戏

今天的游戏设计师 - 谁写的 - 看到了一个问题:创建一个无与伦比的人工智能系统毫无意义。 没有人想玩他们没有机会获胜的游戏。

但人们确实希望玩 。 即便是今天最好的游戏在一个人玩了一段时间后变得陈旧。 理想的游戏将通过适应和反​​应的方式吸引玩家,使游戏保持有趣,可能永远。

因此,当我们设计人工智能系统时,我们不应该关注世界上胜利的Deep Blues和AlphaGos,而应该关注像“ ”这样的大型多人在线游戏的巨大成功。这些类型的游戏在图形上都很好 - 设计,但他们的主要吸引力是互动。

似乎大多数人都不会被国际象棋和围棋等极其困难的逻辑难题所吸引,而是被吸引到有意义的联系和社区。 这些大型多人在线游戏的真正挑战不在于它们是否可以被智能(人类或人工)击败,而是如何保持每次都玩新鲜和新的体验。

按设计改变

目前,游戏环境允许人们与其他玩家进行许多可能的交互。 地下城中的角色定义明确:战士受到伤害,治疗师帮助他们从受伤中恢复,而脆弱的巫师则从远处施放法术。 或者想想“ ”,这是一款完全专注于合作机器人的游戏,他们在迷宫般的认知测试中迷惑不已。

一起探索这些世界可以让您与朋友共同回忆。 但是,这些环境或底层图表的任何更改都必须由人类设计人员和开发人员完成。

在现实世界中,变化自然发生,没有监督,设计或人工干预。 玩家学习,生物适应。 有些生物甚至 ,对彼此的发展做出反应。 (类似现象发生在 。)

今天的电脑游戏缺乏复杂程度。 因此,我不认为开发能够玩现代游戏的人工智能将有意义地推进人工智能研究。

我们渴望进化

值得玩的游戏是一种不可预测的游戏,因为它适应,一种新颖的游戏,因为通过玩游戏创造新奇。 未来的游戏需要发展。 他们的角色不应该只是反应; 他们需要探索和学习利用弱点或合作和协作。 我们理解, 是地球上所有新奇事物的驱动力。 它也可能是 。

Evolution发现了如何创造 。 难道我们不应该尝试编写我们的AI代码,而只是改进AI吗? 几个实验室 - 和实验室 - 正在研究所谓的“ 。

在计算机中,我们模拟复杂的环境,如道路网络或生物生态系统。 我们创造虚拟生物并挑战它们,以进化成千上万的模拟世代。 然后,进化本身就会发展出最好的驱动因素,或者是适应条件的最佳生物 - 那些能够生存下来的。

今天的AlphaGo正在开始这个过程,通过不断 ,并通过分析顶级围棋冠军的游戏记录来学习。 但是,当我们以同样的方式进行游戏时,它不会学习,经历无监督的实验。 并且它不适应特定的对手:对于这些电脑玩家来说,无论对手的风格如何,最佳动作都是最佳动作。

从经验中学习的程序是AI的下一步。 它们可以使电脑游戏更加有趣,并使机器人不仅能够在现实世界中更好地运作,而且能够在飞行中适应它。

综合生物学与计算机科学与工程系助理教授

本文最初发表于 。 阅读 。

conversation logo Conversation的标志。 照片:对话

对话


载入中...