2.31 跨環境抽象（Abstracting Across Environments）

人工智能領域的一個長期目標是實現人工通用智能，一個單一的學習程序可以同時在完全不同的領域進行學習和行動，可以轉換一些學習到的技巧和知識，比如學會做餅干，并將這種技巧用在做布朗尼蛋糕上，甚至比以前做的更出色。在這種通用領域取得顯著進展的是 Parisotto、Ba 和Salakhutdinov。他們在 DeepMind 上建立了開創性的 DQN，論文發表在今年的早些時候的《自然》雜志上，它可以學習玩很多不同的雅達利游戲，并且玩的還不錯。

這個團隊并沒有在每個游戲上使用全新的網絡，而是將深度多任務強化學習與深度遷移學習結合，這樣可以在不同類型的游戲上使用同樣的深度神經網絡。這不僅僅會使得單個實例可以成功地在多個不同游戲中使用，而且還能更好更快地學習新游戲，因為它記得其他游戲的一些模式。比如，它可以更快地學習新的網球游戲，因為它在玩乒乓球的時候已經形成了這樣的概念——用球拍擊球是有意義的抽象。這還不算是通用智能，但是它是達到通用智能的一塊墊腳石。

不同模式推理是今年的又一大亮點。艾倫人工智能研究所和華盛頓大學一直致力于研究測試對話 AI，經過多年的研究，已經從四年級水平測試提升到了八年級水平測試，今年他們宣布已經開發出一套系統可以解決美國高考中的幾何學部分的問題。這些幾何測試包括圖表組合（combinations ofdiagrams）、補充信息（supplemental information）和詞語問題（word problems）。在更小范圍的AI中，這些不同的形式將典型地分別分析，基本上根據不同的環境。這套系統結合了計算機視覺和自然語言處理，將它們內嵌在同樣的結構化形式體系中，然后應用集合推理來回答選擇題，它的表現可以與美國高二年級學生平均水平媲美。

總結

以上是生活随笔為你收集整理的《中国人工智能学会通讯》——2.31 跨环境抽象（Abstracting Across Environments）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。