概要：OpenAI将在《麻省理工科技评论》EmTech Digital上介绍一种新的机器学习算法
Sutskever将会展示一种机器学习算法，其表现和扩展性都比最近取得重大突破的方法更好。
在一篇介绍这一工作的博客里，Sutskever和他的同事描述了‘进化策略’的运用，使得机器自己搞清楚如何解决一个复杂任务。研究人员说，这一方法与几十年前一种使用模拟进化来优化算法的方法遥相呼应。它实质上是让机器使用实验和优化，进而算出解决复杂问题的最佳算法，它可以应用于机器人，自动驾驶和其他领域。
OpenAI的研究人员将进化策略方法与强化学习进行了比较，后者在过去一年中产生了令人印象深刻的成果，包括使计算机能够击败世界上最好的围棋玩家之一（参见“十大技术进展：强化学习”）。强化学习，这是基于动物类似通过经验学习的方式，使机器能够解决一些人们很难或不可能在代码中描述的事情。
与强化学习不同，进化策略允许机器使用少得多的计算量来学习。强化学习通常需要一种称为反向传播的技术，其可以通过误差最小化来优化神经网络。进化策略涉及到更简单的优化技术。
《The MasterAlgorithm》（一本关于不同机器学习方法的书）的作者，华盛顿大学Pedro Domingos教授说，“这非常有趣，很有可能是更伟大事物的开端”。
Domingos质疑这种技术是否会超越强化学习，但他补充道：“机器学习有一段令人愉快的历史，就是一直通过非常简单的方法击败更为复杂的方法。差不多是我们看到这一方法扩展的时候了。
需要大的技术突破才能保持过去几年在人造智能方面的势头。
近年来，随着技术世界的发展，人工智能现在似乎时刻准备着在医疗保健、教育、交通运输和制造等行业中发现重要用途。例如，深度学习，一种使用非常大的神经网络来寻找数据中特定模式的技术，被证明是非常强大的语音和图像识别技术，且正在迅速地在医学研究和医疗保健领域得到应用。
然而，与此同时，这些技术本身不能实现长期以来一直是这个领域梦想的通用人工智能。新机会之间的紧张关系和对创新的持续需求将是EmTech Digital的突出主题。
即使出现了新的机器学习技术，例如强化学习和OpenAI的进化策略方法，这一领域的最终目标 --- 某种形式的通用人工智能仍然是遥远遐想。
然而，强大的机器学习在新兴行业和日常生活领域的传播，将提高对可能产生的意想不到后果的关注。
EmTech Digital的演讲嘉宾将讨论可能存在于机器学习算法中的偏倚问题，这些机器学习算法越来越多地被用于指导重要的决定，例如对犯罪分子进行量刑，或对谁发放贷款。
随着机器学习在更多生活领域中的应用，这个问题将变得更加重要，并将引发严肃的伦理讨论。询问最新的机器学习算法以了解它们如何做出决定，这一难题可能会使这个问题复杂化，这将是Emtech Digital的另一个主题。