概要：OpenAI將在《麻省理工科技評論》EmTech Digital上介紹一種新的機器學習算法
Sutskever將會展示一種機器學習算法，其表現和擴展性都比最近取得重大突破的方法更好。
在一篇介紹這一工作的博客裡，Sutskever和他的同事描述了‘進化策略’的運用，使得機器自己搞清楚如何解決一個複雜任務。研究人員說，這一方法與幾十年前一種使用模擬進化來優化算法的方法遙相呼應。它實質上是讓機器使用實驗和優化，進而算出解決複雜問題的最佳算法，它可以應用於機器人，自動駕駛和其他領域。
OpenAI的研究人員將進化策略方法與強化學習進行了比較，後者在過去一年中產生了令人印象深刻的成果，包括使計算機能夠擊敗世界上最好的圍棋玩家之一（參見“十大技術進展：強化學習”）。強化學習，這是基於動物類似通過經驗學習的方式，使機器能夠解決一些人們很難或不可能在代碼中描述的事情。
與強化學習不同，進化策略允許機器使用少得多的計算量來學習。強化學習通常需要一種稱為反向傳播的技術，其可以通過誤差最小化來優化神經網絡。進化策略涉及到更簡單的優化技術。
《The MasterAlgorithm》（一本關於不同機器學習方法的書）的作者，華盛頓大學Pedro Domingos教授說，“這非常有趣，很有可能是更偉大事物的開端”。
Domingos質疑這種技術是否會超越強化學習，但他補充道：“機器學習有一段令人愉快的歷史，就是一直通過非常簡單的方法擊敗更為複雜的方法。差不多是我們看到這一方法擴展的時候了。
需要大的技術突破才能保持過去幾年在人造智能方面的勢頭。
近年來，隨著技術世界的發展，人工智能現在似乎時刻準備著在醫療保健、教育、交通運輸和製造等行業中發現重要用途。例如，深度學習，一種使用非常大的神經網絡來尋找數據中特定模式的技術，被證明是非常強大的語音和圖像識別技術，且正在迅速地在醫學研究和醫療保健領域得到應用。
然而，與此同時，這些技術本身不能實現長期以來一直是這個領域夢想的通用人工智能。新機會之間的緊張關係和對創新的持續需求將是EmTech Digital的突出主題。
即使出現了新的機器學習技術，例如強化學習和OpenAI的進化策略方法，這一領域的最終目標 --- 某種形式的通用人工智能仍然是遙遠遐想。
然而，強大的機器學習在新興行業和日常生活領域的傳播，將提高對可能產生的意想不到後果的關注。
EmTech Digital的演講嘉賓將討論可能存在於機器學習算法中的偏倚問題，這些機器學習算法越來越多地被用於指導重要的決定，例如對犯罪分子進行量刑，或對誰發放貸款。
隨著機器學習在更多生活領域中的應用，這個問題將變得更加重要，並將引發嚴肅的倫理討論。詢問最新的機器學習算法以瞭解它們如何做出決定，這一難題可能會使這個問題複雜化，這將是Emtech Digital的另一個主題。
閱讀更多 產品GEEK 的文章
