超级马里奥可以节省人工智能吗?

人类的大脑在某些关键方面效率非常低:我们的记忆很糟糕;我们对逻辑的把握是浅薄的,我们做算术的能力是惨淡的我们的集体认知缺陷是如此之多我写了一本关于它们的书然而,在某些方面,我们继续远远超过基于硅的计算机那么彻底打动我们在算术,逻辑和记忆方面的碳基础背后举例来说,我们有能力灵活地学习新事物当然,IBM已经建立了极速快速的计算机来下棋和“危险!”,但Deep Blue和Watson是目的 - 专用机器,仅在特定游戏中擅长; Watson是为征服游戏节目而设计的“Jeopardy!”,很难下棋

相比之下,平均十岁的孩子可以学会玩任意数量的游戏,如果不是在世界各地 - 阶级如何让人类变得如此灵活,以及如何使机器在学习新事物时同样柔软

本月早些时候,Thomas Walter Murphy VII博士(托马斯沃尔特墨菲的长队中的第七位,起源于内战士兵)推出了一台机器,可以学习不是一场比赛,而是很多,没有任何专业的先验知识

特别的游戏在过去的几个星期里,墨菲的发明已经在互联网上进行,并且对于任何曾经是原始任天堂粉丝的人来说,其性能的视频是必须观看的

该计划征服了许多原创的任天堂娱乐系统游戏,如超级马里奥兄弟,在那里它设法发现技巧动作,尝试策略,并推进到游戏结束(你可以自己下载源代码)有时,即使它不成功,它仍然摸索着做一些聪明的东西它不能在俄罗斯方块赢,但它弄清楚,如果它暂停游戏并且不重启,它不会丢失程序继续通过自动化试验和错误它记录EV在任天堂的记忆中发挥作用,并将操纵杆的每个模拟按压与游戏中代表玩家得分的特定记忆位置相关联

任何增加得分的动作都会得到更多的加权;降低分数的行动变得不太可能从本质上讲,墨菲旨在通过纯粹的蛮力而不是人类会考虑实际玩游戏来压倒任天堂他写道“中心思想......是使用(仅)记忆的价值推断玩家何时“获胜”的位置人类玩家感知的东西,如视频屏幕和声音效果,完全被忽略了“当然,就像人工智能中提出的任何系统一样,程序面临困难被称为放大的超越挑战:在一个简单的,较旧的游戏系统中,在几个层次上工作的几乎肯定不适用于较大的游戏系统通过投掷击败一个将近三十年的任天堂系统是一回事8位机器上的千兆字节和千兆字节,内存微不足道,运行速度要慢一千倍 - 而另一种方法是将相同的方法应用于Xbox 360游戏(需要数百万甚至数十亿次)记忆和更多的计算到战斗力,墨菲并没有假装墨​​菲 - 他早些时候曾写过我见过的最有趣的人工智能研究讽刺作品之一 - 似乎把整个项目视为百灵鸟在电子邮件中墨菲告诉我,“我唯一的研究目标是做一些异想天开,令人惊讶和富有诗意的作品”对于他来说,拆开旧的任天堂游戏是一个恶作剧;他的研究报告充满了像“FCEUX仿真器[在软件中模拟任天堂]”这样的线路,它是关于数十亿行的C ++ - ish代码,旨在作为交互式GUI应用程序,包含对多个不同平台的支持,以及代码从一堆马屎到不是马屎的规模,大约2“它不是一个终极人工智能系统的垫脚石恶作剧的工作原理和它所做的因为一些任天堂的技术怪癖,不是因为墨菲偶然发现了关于自然或人工智能的深刻真相(正如他在一封电子邮件中所说的那样,“该软件......适用于有即时信息的游戏(如您在世界上的得分或位置),可以通知您的全球完成它的进展需要像迷宫或俄罗斯方块这样长期规划的游戏效果不佳“)尽管如此,墨菲的马里奥解决方案突出了一个更大的问题,经常被忽视:任何人都可以构建一个可以与人类相匹配的人工智能系统,以实现学习新任务的绝对灵活性吗

阿兰·图灵在其经典的“计算机器和情报”文章中提到了这个问题,但这是五十多年前的事情

今天最流行的方法主要关注大数据,或者模仿已经知道如何完成某项任务的人类但是纯粹的模仿分解了当一个人为机器提供新的任务时,正如我几周前所解释的那样,大数据方法往往擅长于找到相关性而不一定能够引发游戏规则如果仅仅大数据本身并不是一个强大的工具来诱导在像国际象棋这样复杂但定义明确的游戏中的战略,那就是一个问题,因为现实世界更加开放,而且相当复杂的Douglas Hoftstadter和Emmanuel Sander在他们的新书“Surfaces and Essences”中隐含地提醒我们“对于灵活学习人工智能的一种策略可能首先要看人类的类比礼物,尽管霍夫斯塔德和桑德夸大他们的情况(并非一切都取决于类比) d从不提供明确的算法,似乎有点似乎是类比是一个十岁的孩子在他(或她)的心理工具包中学习新任务的最强大的工具之一,比如新的运动或新的视频游戏首先,荣誉勋章就像使命召唤,但有不同的制服和不同的武器;就此而言,“使命召唤”只是太空入侵者,但在三维空间中,从不同的角度进行,并与不同的敌人玩耍

一旦孩子掌握了第一人称射击游戏中的小逻辑,那么这个孩子可以玩一百种不同的游戏,重新校准相对较少大多数机器都会重新接近每个视频游戏,从一个游戏到下一个Hofstatder相对较少,而Sander对于计算机如何合并类似机制的说法不够多,但Thomas Hinrichs最近的一些有趣的工作和西北大学的肯·福布斯似乎朝着正确的方向迈出了一步,认真地试图将计算机转移到他们在一个微观世界中学到的东西到另一个微观世界的挑战

另一个人工智能特立独行者本·戈泽尔一直在寻求他所谓的(借用Mark Gubrud的短语)“人工智能”Goertzel的目标,他一直在支持博通过他自己的工作和他组织的一系列会议,建立能够解决许多不同问题的机器,而不需要为每一个人手工剪裁据我所知,尽管如此,他迄今为止的进展相对较多

有限而且我不相信像深度学习这种方法(我在11月批评)会解决人工智能问题要么真正的人工智能在二三十年内可能是可行的,但我们根本就不存在这对我来说很清楚,然而,人工智能世界需要像托马斯·墨菲那样的更多冒险活动

目前大多数人工智能工作都集中在一个问题上(例如在语音流中识别音节),但该领域不应该忘记针对个别问题的微调解决方案仍然不能构成人工智能之前的更大挑战的一般解决方案:制造足够聪明的机器来学习新事物,这些都是他们自己