“新AI看起来像人 填补空白”

德克萨斯大学奥斯汀分校的计算机科学家教看到了人工智能代理是如何做一个一般只有人类才能做的事件，一眼就推断出了整个环境。 这是比较高效的探索所需的技能——开发救助机器人，有一天可以提高危险任务的比较有效性。 这个团队是由kristen grauman教授率领的博士。 候选人santhosh ramakrishnan和前博士。 候选人dinesh jayaraman (现加州大学伯克利分校)今天在科学机器人杂志上发表了他们的研究结果。

许多人工智能代理-能够赋予机器人和其他机器智能的计算机系统。 在工厂等以前经历过的环境中，接受了物体识别和物体推断等非常具体的任务训练。 但是，grauman和ramakrishnan开发的代理是共通的，可以收集视觉新闻，用于各种任务。

我们一般都想要能够进入环境的主体，在新的感知任务发生时做好准备，grauman说。 它的行为习惯是多余的，可以在不同的任务中成功。 因为学习了有关视觉世界的有用模型。

科学家们采用深度学习。 这是由大脑神经互联网激发的机器学习，可以将他们的智能体训练成数千个不同环境的360度图像。

现在，在呈现前所未有的场景时，特工会利用其经验，选择一点点的看法，就像站在大教堂中间的游客会在不同的方向拍摄快照一样。 这些加起来，超过了完美场景的20%。 使这个系统如此有效的原因是，不仅要随机拍照，每次瞥一眼，选择预测的下一个镜头，都会添加有关整个场景的最新新闻。 这就像以前没去过的杂货店，看着苹果，你会发现附近有橘子，但找到牛奶可能会看到别的形状。 瞥了一眼，特工看了其他所有方向，推断了它会看到什么。

就像以前带来你以前在经验丰富的环境中存在的规则的新闻一样——就像你去过的所有杂货店一样——这个特工用穷途末路的方式进行了搜索，格鲁曼说。 为了在感知任务中成功，我学习了收集视觉新闻的地方。

科学家为自己设定的首要挑战之一是设计能够在严格的时间限制下工作的代理人。 这在应用程序的搜索和救助中很重要。 例如，在燃烧的建筑物中，要求机器人迅速定位人员、火焰和有害物质，并向消防员传播这一消息。

现在，新代理的工作方法可以像站在一个地方的人一样，把照相机指向任意方向，但不能移动到新的位置。 或者，代理也可以凝视其拥有的对象，并决定如何旋转对象以检查其另一侧。 其次，为了在完全移动的机器人上工作，进一步开发了该系统。

使用ut奥斯汀德克萨斯高级计算中心和计算机科学类超级计算机，使用一种叫做强化学习的人工智能方法训练代理人花了大约一天的时间。 ramakrishnan领导的团队开发了加速培训，建立了第二个被称为助手的代理人来帮助主要的代理人。

采用培训过程中出现的附加新闻有助于[第一]主体更快地学习。 ramakrishnan先生说。

该研究部分得到美国国防部高等研究计划局、美国空军科学研究室、ibm企业和索尼企业的支持。