机器人的将来：机器人协作并互相学习

目前，大部分人工智能研讨都集中在单个运用上。一辆可以自行在街道下行驶的汽车。从附近环境中学习的恒温器。

在大多数状况下，人工智能系统并没有作为一个小组停止工作和学习的义务，但是麻省理工学院航空与航天学教授乔纳森·霍（Jonathan How）以为这是一个得到的机会。该团队正在改变移动，人工智能设备协作和互相学习的方式。

最终，How和他的团队希望运用机器学习（ML）来协助智能对象使彼此变得更智能。他以为，机器人互相学习并共同努力，可以改变物流（机器人完成订单并将其交付到您的前门）和太空探求（机器人合作研讨新范畴）等行业的将来。How说，真正的应战是在实验室之外为理想世界预备这些支持AI的机器人。这就是更多AI运用的地方。

在研讨实验室中工作了 20年之后，How知道理想世界比开发人工智能驱动的机器人的实验室环境要复杂得多。人类必须应对生活的复杂性和不确定性-其别人都在做什么？我们如何执行共同完成的义务？根据我们对世界的了解，义务将如何改变？

应用他们本人的打破性算法，How和他的团队优化了机器人，使其可以根据他们的阅历以及他们的机器人同行的阅历停止调整。为此，该团队应用强化学习（一种强化学习），这是一种机器学习技术，使具有AI功能的代理可以经过反复实验从其环境中学习，与人类的学习方式不同。经过研讨多个代理的参与会发生什么-多代理强化学习这一新兴学科的症结，研讨甚至将这一步骤进一步向前发展。应战包括诸如如何获得独立的支持AI的代理商建立共识并达成共识的成绩。您如何确保他们彼此之间持续不断的聊天不会淹没网络？当启用AI的机器人以为本人知道正确的做事方法时，会发生什么呢？

直到可行的深度学习平台问世，才有能够真正回答这些成绩。在这里，How和他的团队运用由复杂的Amazon EC2 GPU实例支持的AWS深度学习AMI环境，这些实例可以在云上执行难以置信的复杂计算（而无需花费成本和管理机架和服务器机架的费事）。最终目的？疾速，准确地训练和运转强化学习模型，以处理理想世界中的成绩，例如当机器人不赞同并且它们之间持续不断的聊天能够会淹没网络。

“这被称为共识成绩，” How说。“假如我们对我们什么时分去吃晚饭有不同的看法，那么在你们都赞同某个工夫之前，您需求多少沟通？这似乎相对简单，但是在一个机器人系统中，我们要处理的成绩要多得多，而且通常这些成绩具有很多不确定性。”

更深化地研讨，How的研讨（由AWS，波音和IBM共同资助）在处理执举动作或以不完全的知识做出决议的成绩上走了很长的路。举例来说，他问道：“假如两个篮球运动员部分地知道如何射击三分球，他们能否可以结合这两种技能并真正做到这一点？”这很复杂，但是新的强化学习系统如何称为Hierarchical Multi？代理教学（HMAT）经过优化的奖励功能和更有效的沟通在改善全团队学习方面获得了成功。

复杂的计算需求基于云的计算平台
在如何完成理想的共同窗习AI机器人的生态系统中，全体要大于各个部分的总和，并且需求付出大量的技术努力才能使工作正常。为此，团队非常依赖模拟，他们运用Amazon EC2 P3实例上的PyTorch和TensorFlow机器学习框架停止了构建。

如何留意到他不断在努力为本人的团队（次要是研讨生）提供足够的本地计算才能，以运转复杂的RL算法，以使一群机器人保持持续的通讯并实时调整其行为。

“假如在第一天，您给一个先生一台新机器，然后说：'这是您将来五年的计算机，'您会在房间外大笑，” How说道。“两年后，您将要处理的不是最先进的旧硬件。然后，您就限制了先生的才能以及他们的成就。”

应用基于云的服务，团队中的每个成员都可以访问所需的计算才能，而无论他们正在处理机器学习成绩的哪个方面。

“在这种基于模拟的培训中，我们正在测试数百种设置，速度至关重要”，与How一同工作的理学硕士候选人Dong-Ki Kim说。“它直接转化为我们在较短的工夫内运转更多迭代的才能。AWS提供了功能弱小的GPU实例，大大减少了培训工夫，加快了我们的研讨步伐。”

怎样说，他以为这项研讨要商业化需求5到10年的工夫，这能够是AI将来运用发展的根本推进力。目前，How正在思索如何将这些系统用于为政府机构搜索和救援机器人提供动力，但他说，协作，灵敏的机器人的用途几乎是有限的。

他说：“即便有一批交付机器人也可以从这项研讨中受益，”他说到了机器人共同协作交付包裹的真正能够性。“他们可以从阅历中学习并分享所学的知识。”

弄点这八足机器人头上戴着像机，望远镜，传会给人类点信息，图片，呵呵，

赞一个，赞一个

沙发位出租，有意请联系电话：13888888888

介是神马？！！