学界 | Science介绍新型好奇心算法：基于强化学习摸索世界

正文

请到「今天看啥」查看全文

好奇心一直被一些科学家认为是智能的基本属性之一，为机器赋予好奇心自然也是计算机科学家的重要研究目标，比如《 学界 | 让好奇心驱动人工智能：UC Berkeley 提出自监督预测算法 》。最新一期《Artificial Intelligence》期刊的一篇论文试图通过强化学习来让机器具备一定的好奇心。研究者 Todd Hester 和 Peter Stone 在本论文中提出了一种内在激励的基于模型的强化学习算法 TEXPLORE-VANIR ，可以让模型自己进行摸索式（exploration）的学习。Science 昨天发布了一篇文章对这项研究进行了介绍，机器之心对本文及原论文摘要进行了编译介绍。

在人工智能的曲折发展中，计算机科学家一直在编程有好奇心的机器——来自己摸索周边的环境从而进行学习。这种新的方法能够让机器人更快地学习，某天甚至能够在构建假说、推动前沿发展方面超越人类科学家。

布朗大学 Intelligent Robot Lab 的一位计算机科学家 George Konidaris 说：「开发好奇心是智能的核心难题。在未来当你不知道机器人该做什么时，这会非常有帮助。」

过去几年，科学家一直在研究好奇心方面的算法，但却难以复制人类的好奇。例如，大部分方法不能够评估人工智能体的知识掌握从而预测什么是有趣的（在智能体看到事物之前），而人类有时看到书的封面就能判断书是否有趣。

目前在谷歌 DeepMind 工作的计算机科学家 Todd Hester 希望能做得更好。他说：「我正在寻找让计算机更智能地进行学习的方法，就像人类一样进行摸索。但不是摸索所有事、随机进行摸索，而是有小聪明的尝试摸索。」

请到「今天看啥」查看全文