激进的变革、革命、大趋势，甚至可能是一种风险：人工智能已经渗透到所有的工业领域，让媒体忙个不停。rub神经计算研究所的研究人员已经研究了25年,他们的指导原则是：为了使机器真正智能化，新的方法必须首先使机器学习更加高效和灵活。

     今天有两种类型的机器学习是成功的：深神经网络，也称为深学习，以及强化学习。神经网络能够做出复杂的决策。它们经常用于图像识别应用。”例如，他们可以从照片中分辨出拍摄对象是男性还是女性。这种网络的结构是受到大脑中神经细胞或神经元网络的启发，神经元通过几个输入通道接收信号，然后决定是否以电脉冲的形式将信号传递给下一个神经元。

      神经网络同样接收几个输入信号，例如像素。在第一步中，许多人工神经元通过简单地将输入乘以不同但不变的权重，然后将它们相加，计算出来自多个输入信号的输出信号。每一个算术运算都会产生一个值，这个值——以男性/女性为例——对女性或男性的决策有一点帮助。但是，如果将负结果设置为零，则结果会略有改变。这也是从神经细胞中复制出来的，对神经网络的性能至关重要。

     另一方面，强化学习受到心理学的启发。在这里，算法所做的每一个决定——专家称之为代理——要么得到奖励，要么受到惩罚。想象一个中间有代理的网格，它的目标是以最短的路线到达左上角的位置，但它并不知道这一点，经纪人唯一想要的就是尽可能多地获得奖励，否则就毫无头绪了。一开始，它会横冲直撞，每一步达不到目标都会受到惩罚。只有朝着目标迈出的一步才会有回报。

     为了学习，代理为每个字段分配一个值，指示从该位置到其目标还有多少步。最初，这些值是随机的。经纪人在董事会获得的经验越多，就越能使这些价值观适应现实生活条件。经过无数次的跑步，它能够找到最快的方式达到目标，并因此获得奖励。

      这些机器学习过程的问题在于它们相当愚蠢。基础技术可以追溯到20世纪80年代，目前之所以取得成功，唯一的原因是我们拥有了更多的计算能力和更多的可用数据。为了训练神经网络，有可能快速运行几乎效率低下的学习过程无数次，并将大量的图像和图像描述反馈给神经网络。

      这就是为什么神经计算研究所的研究人员将重点放在帮助机器自主发现结构的新策略上。为此，我们采用了无监督学习的原则。虽然深层神经网络和强化学习是基于提出期望的结果或奖励或惩罚每一步，研究人员离开学习算法很大程度上与他们的输入。

      回到人们的照片的例子，人们可以在分组后查看结果，可能会发现计算机已经把一组男人的照片和一组女人的照片组合在一起，一个主要的优势是，一开始所需要的只是照片，而不是像以前那样，一个包含谜语解决方案的图片说明，用于训练目的。

    此外，慢性原则这种方法提供了更多的灵活性，因为这样的群集形成不仅适用于人的照片，而且适用于汽车、植物、房屋或其他物体。

      wiskott所追求的另一种方法是缓慢原则。这里，不是照片构成输入信号，而是运动图像：如果从变化非常缓慢的视频中提取所有特征，就会出现有助于建立环境抽象表示的结构。”在这里，重点是预结构输入数据。最终，研究者将这些方法以模块化的方式与监督学习的方法相结合，以便创建更灵活的应用程序，然而这些应用程序非常精确。

     增加的灵活性自然会导致性能损失。但从长远来看，如果我们想开发出能够应对新形势的机器人，灵活性是必不可少的。

（本文转载自电子发烧友网，如有侵权，请联系删除）