2
| 本文作者： 宗仁 | 2016-07-25 10:55 | 專題：「CCF - GAIR」全球人工智能與機器人峰會報道專題 |
牛津大學計算機科學系主任、DeepMind-Oxford Partnership監事——邁克爾·伍爾德里奇（Michael Wooldridge）。是現金今著名智能體理論研究學者，著作有《多Agent系統引論》，是當今關于多Agent系統這個重要論題的第一本教材。
在其二十年的工作生涯里，他幾乎獲得了人工智能領域的所有榮譽：ACM（國際計算機學會）、AAAI（美國人工智能學會）、EURAI（歐洲人工智能學會）成員，Academia Europaea（歐洲科學院）成員、ERC（歐洲研究學會）委員，堪稱人工智能領域的達人。
作為雷鋒網8月份的CCF—GAIR大會的學術大牛嘉賓之一，近日我們對其進行了專門采訪。
這個智能體的核心是“社會性”。人和動物區別開來的一個重要特征就是我們作為智能的，社會性動物，我們有語言，可以相互合作，協調，談判來實現一些遠超月個人能力范圍內可以實現的事情。
所以AI如果忽視了“社會性”這個屬性，它在接近或者超越我們的路上將會缺失許多東西。
我不知道其它智能體研究者是否會稱它為智能體，但我把它定義為單智能體，因為它沒有體現在任何環境中，也不曾以任何方式作用在這個世界上過。因為通常我們都認為智能體是存在于某些環境中的。
現在深度學習研究者們有個有趣的挑戰，如何有一個學習系統可以分享他們的經驗——分享他們學習到的經驗，就像人類在學習完英語后，又把他們的經驗用去學韓語，西班牙語等其它語言。
貿易機器人就是個很典型的例子，這個程序可以買東西和賣東西，現在國際貿易中正大量用到這個程序，AI就應用地更廣了，我希望來年這個增長有更大的發展。
健康—智能手機和其它的設備里的各種傳感器，都在監視我們的健康狀態。
娛樂，看看口袋妖怪里的AI技術就知道了。
醫療，人工智能正在為我們尋找新的藥物（和藥物形式）。
自動駕駛，美國有359萬卡車司機，我相信20年后，這些都會被自動駕駛代替，這對社會是個巨大的改變。
物流/規劃，AI在這塊領域會找到更有效的處理方式。
本質上區別還是我上面提的“社會屬性”，之前的AI一開始沒有對這點花太多注意力，但智能體（系統）一直在聚焦這件事。
在一些我們有特定任務要完成的領域AI非常成功，有時我們甚至能評估浙西任務的完成情況，但遷移到有些我們都不太好定義的地方應用，目前沒有太多成功的例子可以拿來佐證。
關于這點，誰要是覺得除了AlphaGo會贏后還會有其它的結果，剩下的只是參賽者會覺得很驚喜，柯潔也會經歷這個過程。我更感興趣的是AlphaGo能不能教人類下得更好，但現在我們不知道它是如何做到的，這是個問題。
他們不是完全不同的兩種東西，強化學習的基本思想是，傾向于加強過去已經成功的執行操作的概率。
而深度學習是在神經網絡的背景下，關心一個類似的想法。他們都有著類似的想法，以及需要重復訓練這個過程。最后在我眼里，技術是互補的，而不是競爭的。
至少目前，我們不知道如何通往AGI，也沒人敢說他知道這個，機器學習近幾年雖然有重大進展，但是我們不知道意識或者自我意識是如何組織的，如何進步的，以及它和大腦的微觀結構有什么關系，所以AGI還有很長一段時間要走。
在多智能體系統里，有不同的方式組織活動，避免系統延遲一直是個問題，一種方法是任務共享，這時任務被分解成更小的任務，分享給更小的代理。甚至有時需要重新組裝這些任務。
另一種方法就是“結果分享”，代理所做的就是分享信息，如果我認為這個信息對你有用的，我跟你一起分享。這些方法都有優點和缺點，在多智能體系統研究的關鍵中，懂得在一個特俗問題中哪個才是最適合的解決方法很關鍵。
在我的經驗中，多智能體系統里，有不同的方式組織活動，避免系統延遲一直是個問題。一種解決方法是任務共享——這時任務被分解成更小的任務，分享給更小的代理。甚至有時需要重新組裝這些任務。
另一種方法就是“結果分享”——代理所做的就是分享信息，如果我認為這個信息對你有用的，我跟你一起分享。
最后，這些方法都有優點和缺點，在多智能體系統研究的關鍵中，懂得在一個特定問題中哪個才是最適合的解決方法很關鍵。
智能體是人工智能領域中一個很重要的概念。通常我們認為任何獨立的能夠思想并可以同環境交互的實體都可以抽象為智能體。邁克爾·伍爾德里奇過去花了20多年時間專注人工智能的這個前沿領域———智能體 (Agent) 的研究。
正好這個Agent（S）系統在博弈，調度優化，金融，游戲，多機器人控制方面都非常適合，所以AlphaGo這種博弈類高手機器系統誕生在牛津大學也說的上“順利成章“，而未來，在人工智能這個“超級網絡”中，我們有理由在各個場景中都會充斥著multi-agent的概念。
雷峰網原創文章，未經授權禁止轉載。詳情見轉載須知。
專題
