【AI脑洞】深度学习支撑的机器人要竞选市长？

只要稍微浏览一下近期新闻，这条一定能够吸引你的眼球，并怀疑是愚人节玩笑。

看来最近隔壁岛国的AI技术已经不满足送上机器人播音，要扩展到政坛了。

简要回顾一下新闻内容，AI机器人真的参与了竞选，并做足功课，颇有要大干一场的架势。

“位于日本东京都的多摩市，正值四年一度的市长竞选阶段，最令人震惊的就是其中一位候选人竟然是一台机器人，而且有模有样，不仅有竞选口号、竞选海报，甚至还动用汽车横幅为其拉票造势。”

（嗯这就是竞选的本尊，注意看那目空一切的表情）

新闻中称机器人为松田达人，年龄44岁，并且也介绍了研发它的技术大佬。令人吃惊的是，实际上这位“达人”是被政要钦点参选，希望能够借助人工智能管理政府事务。

虽然近期报道称它很不幸败选，评论中也不乏各种争议。但是能竞选已经很牛了好么！

那么问题来了，

这个能够走上竞选讲台的AI机器人，背后隐藏的黑科技，有没有可能复制呢？

我们回到报道中机器人竞选台词——

“人工智能将改变多摩市。随着AI市长的诞生，我们将实行公允的政策，未来将以高效、准确的信息来执行各项公共政策，引领下一代。”

找出关键词：高效、准确的信息；制定并执行公共政策

机器人需要具备强大的数据收集和处理能力，并通过深度学习，基于庞大数据基础+政策制定方法，产出政策。所以，想要复制一个同样智能的AI机器人，你需要有合适的开源框架进行模型训练，并找到合适的硬件搭载。

既然是要开发国内首款AI智能决策型机器人，必然从头到尾都是中国造的最自豪。

这时候就需要我们的强大助攻出现了——Paddle Paddle

那么，如果使用PaddlePaddle来训练机器人，具备哪些优势呢？

模型支持

PaddlePaddle支持多种深度学习模型 DNN（深度神经网络）、CNN（卷积神经网络）、 RNN（递归神经网络），以及 NTM 这样的复杂记忆模型。NLP自然语言处理上有很多现成的应用，比如情感分类，神经机器翻译，阅读理解、自动问答等，使用起来相对简单，并且没有向用户暴露过多的 python接口。语言模型是自然语言处理领域里一个重要的基础模型，除了得到词向量（语言模型训练的副产物），还可以帮助我们生成文本。

作为一个AI 机器人市长，日常交流除了能讲话还要有出口成章的本事，并且撰写政策报告时同样需要合理严谨的措辞。而同时，除了做一个客观公正的机器人，也要能够对情绪有足够敏感的认知，这样才能以理服人但又不失感性。有PaddlePaddle的加持，AI机器人市长的文笔和口才能力将会非常出众。

分布式训练

PaddlePaddle集群中有两个角色：参数服务器（parameter server）和训练器（trainer）。每个参数服务器进程维护全局模型的一个片段。每个训练器都有该模型的本地副本，并使用本地数据来更新模型。在训练过程中，训练器将模型方面的更新内容发送给参数服务器，参数服务器负责聚集这些更新内容，那样训练器可以做到本地副本与全局模型实现同步。平台能够为同一个节点分配需要GPU的PaddlePaddle训练器进程、需要大容量内存的Web后端服务以及需要磁盘输入输出的CephFS进程，以便全面利用硬件资源。

类似于学生要不断学习才能进步，AI机器人市长也需要不断学习，才能掌握好为政之道。普通决策中可能会出现的数据信息滞后、评估困难等问题，而在稳定的后端服务和强大内存的支撑之下，相信AI机器人市长会在掌握大量信息的基础上做出最优决策。PaddlePaddle的这一性能也能够为AI机器人的稳定发挥提供持续动力。

sdfd

当然，实际上城市政策的制定并非是仅仅结合数据这样简单，毕竟最后要对大众产生直接影响，因此人工智能与政策的结合或许能够在政策最初的参考来源、政策效果预估上提供帮助，并促进政策优化。但是未来如何永远是个未知解。

既然隔壁岛国已经行动起来，各位大侠不妨也使用PaddlePaddle来实验一番，万一梦想实现了呢？