機(jī)器人擁有人一樣的意識，一直是我們目前難以攻克的難題。在近日，加州大學(xué)伯克利分校的科學(xué)家和谷歌人工智能（AI）研究部門之一的Google Brain在Arxiv．org上發(fā)表的一份預(yù)印本論文中描述了一種人工智能系統(tǒng)，即通過深度強(qiáng)化學(xué)習(xí)來學(xué)習(xí)走路，簡單來說，就是教“一個(gè)四足機(jī)器人來穿越熟悉和不熟悉的地形”。

目前，在此預(yù)印論文中表示，他們已經(jīng)研究出了新型算法，并且根據(jù)算法演練，實(shí)現(xiàn)了機(jī)器人自己走路。這也就表明了人工智能系統(tǒng)可以讓機(jī)器人學(xué)會(huì)人一樣的用靈活的方式掌握和操縱自身或者周圍的物體。

隨著近幾年來，機(jī)器人領(lǐng)域的發(fā)展和人工智能的崛起，深度學(xué)習(xí)與強(qiáng)化學(xué)習(xí)被用來處理控制系統(tǒng)面臨的難題，尤其是在機(jī)器人的靈活操縱方面。

在現(xiàn)實(shí)生活中，人們很輕而易舉的就將物體堆疊，或者用手工制作各式各樣的工藝品，但是一直以來，機(jī)器人卻一直無法跨越靈活性的鴻溝。

要知道的是，機(jī)器人靈活性一直以來就面臨很多挑戰(zhàn)：

首先，在機(jī)器人進(jìn)行學(xué)習(xí)時(shí)，必須經(jīng)過自身與環(huán)境之間的反復(fù)驗(yàn)證，來獲取數(shù)據(jù)。

其次，機(jī)器人還得通過自身的觀察來導(dǎo)出這些行為，這里面包含了很強(qiáng)的時(shí)間相關(guān)性。

最后，機(jī)器人很容易在環(huán)境發(fā)生轉(zhuǎn)變之后，其習(xí)慣性的行動(dòng)后果也不可預(yù)估。

我們不知道機(jī)器人會(huì)采取哪些行為，來描述不可預(yù)知的事情，所以，人們無法感知違背探索的事物也致使機(jī)器人靈活性受到局限。

預(yù)印論文中寫道：深度強(qiáng)化學(xué)習(xí)可以用于自動(dòng)獲取一系列機(jī)器人任務(wù)的控制器，從而實(shí)現(xiàn)將感知輸入映射到低級別動(dòng)作的策略的端到端學(xué)習(xí)。其意思就是，假設(shè)機(jī)器人在現(xiàn)實(shí)世界中可以直接學(xué)習(xí)運(yùn)動(dòng)操縱，那么，每個(gè)機(jī)器人就能像人一樣，獲取最適合自己的單個(gè)的控制器，從而完成自身敏捷性、穩(wěn)健性、能源效率上的突破。

深度強(qiáng)化學(xué)習(xí)可以通過算法來驅(qū)動(dòng)機(jī)器人獲取大量的數(shù)據(jù)樣本，通過成千上萬的模擬實(shí)驗(yàn)，來取得最好的結(jié)果。

早在2015年，就有科研人員在雜志上發(fā)表論文Human－level control through deep reinforcement learning，論文中提出的深度學(xué)習(xí)和強(qiáng)化學(xué)習(xí)相結(jié)合的思想模型，在Atari游戲平臺(tái)的演示上，展示出了超越人類水平的表現(xiàn)。

可以預(yù)知的是，在未來幾年間，深度強(qiáng)化學(xué)習(xí)能夠被應(yīng)用在不同的領(lǐng)域，例如在視頻游戲上、在棋類游戲上、控制復(fù)雜的機(jī)械操作、調(diào)配網(wǎng)絡(luò)資源、為數(shù)據(jù)中心大幅節(jié)能、對機(jī)器學(xué)習(xí)算法自動(dòng)調(diào)參等等。

這種深度強(qiáng)化學(xué)習(xí)給機(jī)器人帶來的發(fā)展，相信隨著時(shí)間，也終將會(huì)給我們答案。