【產(chǎn)業(yè)鏈圖譜 | 人工智能產(chǎn)業(yè)鏈圖譜_人工智能產(chǎn)業(yè)鏈全景圖】

【研究報告 | 人工智能行業(yè)研究報告】

　   2018年12月，來自谷歌大腦的科學家們進行了人工智能系統(tǒng)研發(fā)。此次研發(fā)能夠讓機器人學會自行走路。

　　我們可以在研究人員視頻資料中看到，四足機器人在走一個緩坡。在視頻開頭的四足機器人Minitaur走路還不夠穩(wěn)定，有時候在搖晃，有時候停止不前，整個過程都走的十分緩慢。而在四足機器人進行Minitaur學習的18分鐘時，四足機器人可以進行穩(wěn)步前進了，隨著后期的學習時間增加，機器人走路的穩(wěn)定性也在不斷提高，時間增加到快兩個小時時，機器人已經(jīng)能完成平穩(wěn)的走過緩坡。

　　通過觀察機器人的學習視頻，我們可以看到學習對機器人完成自我行走的作用。同時，這項人工智能算大能夠教會機器人走熟悉的地形。

　　強化學習的核心是一個概念，即最佳的行為或行動是由積極的回報來強化的。機器和軟件代理使用強化學習算法，通過以環(huán)境的反饋為基礎來確定理想行為，這是機器學習的一種形式，也是人工智能的一個分支。

　　根據(jù)問題的復雜性，強化學習算法可以在必要時隨時間保持適應環(huán)境，以便長期獲得最大的回報。一個通過強化學習來學會行走的機器人將通過嘗試不同的方法實現(xiàn)目標，獲得有關這些方式成功的反饋，然后進行調整直到達到行走的目標。大步伐會讓機器人摔倒，通過調整步距來判斷這是否是保持直立的原因，通過不同的變化持續(xù)學習，最終能夠行走。以上說明，獎勵是保持直立，懲罰就是摔倒，機器人基于對其動作的反饋信息進而優(yōu)化并強化。強化學習需要大量的數(shù)據(jù)，這就是為什么這項技術的第一個應用領域是模擬數(shù)據(jù)，如游戲和機器人。

　　盡管處于強化學習的早期階段，但仍有一些應用和產(chǎn)品開始依賴這種技術。公司開始使用強化學習解決連續(xù)性決策問題，同時強化學習支持專家決策或自動化決策處理。

　　但強化學習也有其局限性。它需要大量數(shù)據(jù)，在某些情況下需要數(shù)萬個樣本才能獲得良好的結果。這就需要四足機器人Minitaur像阿爾法狗那樣進行多次訓練，但過多的訓練可能會對四足機器人造成損壞。

　　但是此次的訓練也存在不足，即機器人在完成一次行走路徑后，需要手動將機器人放回原點。這個過程有些繁瑣。但是只需兩個小時完成機器人的學習，也被稱贊為“AI是個好老師”。