看人工智慧Agent如何協作，玩虛擬抓豬遊戲

「合作是人類智慧的核心，而現在有些演算法正在學習這一人類智慧。」

在玩抓豬遊戲時，雖然我們面對的是一頭虛擬的豬，但團隊合作來抓豬總是更容易獲得勝利。這一點在微軟組織的競賽中有了完美體現，微軟的研究人員在競賽中測試了人工智慧Agent如何通過合作解決抓豬這一棘手問題。

這是人工智慧迄今為止關注相對較少的領域。AI研究人員經常會開發一些程序，來執行特定的人類任務，通過程序與人類玩家的較量過程來測試AI程序的能力，比如會下棋的Alpha Go。然而，人類智慧博大精深，這裡面涉及到溝通，社交智慧和大腦理論，預測能力，以及對智能機器的意圖理解。

GIF/541K

微軟這一項目的另一層含義，則是討論人類和人工智慧系統應該如何協同工作，使合作的成果能大於二者單獨工作的總和。艾倫人工智慧研究所首席執行官Oren Etzioni說：「這是更廣泛的趨勢，讓我們重新思考AI的定義，它是在人類智能上的增強智能而不是人造的智能。」

在微軟的競賽Project Malmo項目中，人工智慧Agent可以相互合作，這是開放式電腦遊戲Minecraft的一個特別版本，微軟的研究人員設計了這個環境，使其能夠直接導入和測試不同的AI技術。 Agent可以通過有效方式來相互協作或協助人類，儘管這一領域還需要更深遠的研究，但微軟的競賽提供了可行方式來測試一些早期的想法。

在比賽中，不同Agent可以選擇單獨行動或者相互組隊，通過控制動作來抓住亂跑的虛擬豬，每一次會獲取相應的分數。

馬爾默協作AI挑戰賽（Malmo Collaborative AI Challenge）的頂尖隊伍使用了前沿的機器學習方法，比如他們使用了深度學習來訓練Agent相互協作，這要求隊伍擁有大量的數據，才能使用深度學習的方法進行訓練。但是也有另一些參賽者使用了傳統方法，也就是通過給Agent編寫固定的代碼，使其對環境和動作有對應的策略。

而此次挑戰賽的獲獎者是英國牛津大學的一個團隊，他們在比賽中使用了強化學習，這是一種在實驗中受動物的學習機制啟發的機器學習方法。在強化學習中，每當Agent相互合作並成功地抓到豬以後，它們能夠獲得正反饋。

微軟Malmo項目的首席研究員Katja Hofmann指出，許多團隊結合了不同的方法來完成比賽，沒有哪一種單一的方法能成為真正的贏家，混合的方法很可能會為未來的研究提供一個特別有前景的方向。「

這次的抓豬遊戲挑戰賽來源於思維實驗Stag Hunt，Stag Hunt探索了涉及合作和談判策略的數學概念——遊戲理論。在這個思維實驗中，遊戲的獵人必須要做出選擇，到底是單獨行動去追獵價值相對較小的野兔，還是相互合作去追獵價值更大的雄鹿。

微軟將會根據參賽者取得的成績以及演算法的新穎性進行評判，頂尖隊伍將會獲得20,000美元的研助資金和微軟研究AI暑期學校的工作機會。

研究機器學習和數據挖掘的華盛頓大學教授佩德羅·多明戈斯（Pedro Domingos）表示，在模擬環境中訓練AI模型有其缺陷，模擬的環境可能會使得模型優化過度，因此降低了模型在真實世界的有效性。Domingos教授還提到，現在模擬環境變得越來越複雜，這一點稍有改善。

Domingos教授補充說，人類之間的合作是如此複雜和微妙，很難想像微軟的這一項目能產生真正有用的方法。但儘管持有懷疑，Domingos教授表示他還是被這一項目所鼓舞，他說：「目前AI協作還處於研究的早期階段，Minecraft提供了很多的可能性，這一項目比以前的研究更加豐富，非常值得一試。」

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！