谷歌人工智能赋予机器人“做梦”的能力

随着最近的神经科学发现展示了做梦对记忆巩固的重要性，谷歌旗下的人工智能公司DeepMind率先研发了一项可让机器人做梦的新技术，以便提高它们的学习效率。这些人工智能的梦境主要由雅达利公司（Atari）的电子游戏场景构成，考虑到在背后为这个项目提供支持的公司，这一点也不奇怪。DeepMind取得的早期成果包括教人工智能玩早期的电子游戏，例如打砖块（Breakout）和爆破彗星（Asteroids）。但最终目的是让机器人能够和人类一样做梦，这是极具挑战性的真实世界任务，在学习和记忆形成中扮演重要角色。

要了解做梦对于机器人的重要性，就要了解梦境如何作用于哺乳动物的大脑，例如我们自己的大脑。科学家从神经科学角度了解梦境扮演的角色时，其主要发现之一是，梦境的内容主要是负面的或具有威胁性的。如果尝试记录一个月的梦境，您可能就会发现自己的梦境由具有威胁性的或尴尬的混乱情景组成。事实表明，就做梦而言，裸体出现在学校的古老噩梦是一条规律而不是一个例外。此类混乱的负面内容本身没有什么意义，但从神经科学的角度查看时却大有不同。此领域的主导理论之一假定梦境会强化有关最近事件的神经元活动。而正有可能是在梦境中遇到的负面或具有威胁性的情感帮助记忆更深地植入大脑中，从而增强记忆的形成。该公司通过并行方式使用梦境，重点研究游戏情境中负面的或具有挑战性的内容，提高人工智能的学习效率。

那么，对于机器人而言，什么是具有挑战性的情境呢？目前，世界上最复杂的人工智能仅在星际争霸II（Starcraft II）和迷宫（Labyrinth）等比较复杂的电子游戏中小试牛刀，因此，具有威胁性的情境可能是特别具有挑战性的头目（Boss）级对手或迷宫的某个棘手部分。与不得要领地重复整个游戏而对玩家的总分几乎没有影响不同，“梦境”让人工智能突出游戏中极具挑战性的特定部分，并以超高强度反复练习，直至达到专业水平。借助这项技术，DeepMind的研究人员将学习效率提高了10倍，令人印象深刻。

考虑到机器人已经能够在大多数游戏（例如国际象棋和围棋）中战胜人类，您可能会问，人工智能的“梦境”为什么有必要。为了理解这个观点，需要区分使用监督式学习（supervised learning）方法和使用非监督式学习（unsupervised learning）方法的人工智能。截至目前，许多令人印象深刻的壮举都由使用监督式学习方法的人工智能实现，即由程序员提供有序的“训练数据”，而人工智能则学习如何检测数据内的模式。这是训练机器的十分直接的方法，但肯定不是人类学习的方法。我们使用的方法更接近程序员称之为非监督式学习的方法。使用此方法时，代理自行试验，确定不同的行动方案对其目标产生的影响。此类学习方法比监督式学习方法所耗的时间要长得多，因为其中涉及了试验。DeepMind的研究人员主要关注非监督式学习方法，因为它最有希望创造出具有一般类人智能的人工智能。因此，尽管还不确定机器人是否有一天能够梦见电子羊，但考虑到我们持续为机器人设想的社会角色，似乎人工智能很快就会梦见裸体出现在学校这类尴尬情境的可能性越来越高。裸体机器人到底会是什么样子尚不明确，但“仿真娃娃”（RealDolls）团队似乎已经拥有一些十分精彩的想法。