激進的變革、革命、大趨勢，甚至可能是一種風險：人工智能已經滲透到所有的工業領域，讓媒體忙個不停。rub神經計算研究所的研究人員已經研究了25年,他們的指導原則是：為了使機器真正智能化，新的方法必須首先使機器學習更加高效和靈活。

     今天有兩種類型的機器學習是成功的：深神經網絡，也稱為深學習，以及強化學習。神經網絡能夠做出復雜的決策。它們經常用于圖像識別應用。”例如，他們可以從照片中分辨出拍攝對象是男性還是女性。這種網絡的結構是受到大腦中神經細胞或神經元網絡的啟發，神經元通過幾個輸入通道接收信號，然后決定是否以電脈沖的形式將信號傳遞給下一個神經元。

      神經網絡同樣接收幾個輸入信號，例如像素。在第一步中，許多人工神經元通過簡單地將輸入乘以不同但不變的權重，然后將它們相加，計算出來自多個輸入信號的輸出信號。每一個算術運算都會產生一個值，這個值——以男性/女性為例——對女性或男性的決策有一點幫助。但是，如果將負結果設置為零，則結果會略有改變。這也是從神經細胞中復制出來的，對神經網絡的性能至關重要。

     另一方面，強化學習受到心理學的啟發。在這里，算法所做的每一個決定——專家稱之為代理——要么得到獎勵，要么受到懲罰。想象一個中間有代理的網格，它的目標是以最短的路線到達左上角的位置，但它并不知道這一點，經紀人唯一想要的就是盡可能多地獲得獎勵，否則就毫無頭緒了。一開始，它會橫沖直撞，每一步達不到目標都會受到懲罰。只有朝著目標邁出的一步才會有回報。

     為了學習，代理為每個字段分配一個值，指示從該位置到其目標還有多少步。最初，這些值是隨機的。經紀人在董事會獲得的經驗越多，就越能使這些價值觀適應現實生活條件。經過無數次的跑步，它能夠找到最快的方式達到目標，并因此獲得獎勵。

      這些機器學習過程的問題在于它們相當愚蠢?；A技術可以追溯到20世紀80年代，目前之所以取得成功，唯一的原因是我們擁有了更多的計算能力和更多的可用數據。為了訓練神經網絡，有可能快速運行幾乎效率低下的學習過程無數次，并將大量的圖像和圖像描述反饋給神經網絡。

      這就是為什么神經計算研究所的研究人員將重點放在幫助機器自主發現結構的新策略上。為此，我們采用了無監督學習的原則。雖然深層神經網絡和強化學習是基于提出期望的結果或獎勵或懲罰每一步，研究人員離開學習算法很大程度上與他們的輸入。

      回到人們的照片的例子，人們可以在分組后查看結果，可能會發現計算機已經把一組男人的照片和一組女人的照片組合在一起，一個主要的優勢是，一開始所需要的只是照片，而不是像以前那樣，一個包含謎語解決方案的圖片說明，用于訓練目的。

    此外，慢性原則這種方法提供了更多的靈活性，因為這樣的群集形成不僅適用于人的照片，而且適用于汽車、植物、房屋或其他物體。

      wiskott所追求的另一種方法是緩慢原則。這里，不是照片構成輸入信號，而是運動圖像：如果從變化非常緩慢的視頻中提取所有特征，就會出現有助于建立環境抽象表示的結構。”在這里，重點是預結構輸入數據。最終，研究者將這些方法以模塊化的方式與監督學習的方法相結合，以便創建更靈活的應用程序，然而這些應用程序非常精確。

     增加的靈活性自然會導致性能損失。但從長遠來看，如果我們想開發出能夠應對新形勢的機器人，靈活性是必不可少的。

（本文轉載自電子發燒友網，如有侵權，請聯系刪除）