最新的人工智慧模擬器研究, 新模擬器將會成為人類的魔法水晶球

“模擬”人工智慧的基石，AI開始的時代是

機器學習

點選載入圖片

為完成更多複雜任務正在驅使由AI提供自動化解決方案，而且這些趨勢似乎將繼續下去。人工智慧會幫助金融，運輸和醫療保健等多領域行業的發展，使人們在複雜情境下中做出更好的決策。

點選載入圖片

人工智慧和機器學習領域的領先專家安德魯·伍（Andrew Ng）解釋了人工智慧領域的世界級領先企業在預期如何投入大量資源來生成他們需要的智慧訓練資料。例如優步（Uber），谷歌（Google）和特斯拉（Tesla）正花費數十億美元在無人駕駛汽車上行駛數百萬公里的路程以完善驅動它們的演算法。他們與許多其他公司一起正在利用一種生成準確資料的替代方法來訓練這些演算法，並且這項技術已經存在了很多年。

AI人工智慧為什麼要學習計算模擬？為了提高學習某些內容的速度，可以做的一件事就是模擬環境。透過建立這些虛擬環境（基本上是在資料中心內，基本上是在計算機內），以進行更多的試驗並透過模擬學習更多的東西。

機器能從模擬中學習

點選載入圖片

可能最熟悉的模擬示例是基地訓練中心的飛行模擬器。飛行員以逼真的飛行模擬將自己暴露於以前未曾見過的世界狀態中，以便他們在現實世界中飛行時可以做出更好的決策。

點選載入圖片

正如模擬對飛行員進行培訓一樣，機器學習模型也是如此。我們談論對資料進行“培訓”，就像飛行員的大腦正在從飛行模擬器生成的大量視覺和感覺資料中學習一樣。

在精確的模擬中釋放機器學習模型同樣具有強大的功能。當現實超出已知引數集時模型不會失敗，而是可以使用模擬生成大量資料甚至可以在分佈的極端尾部訓練模型，以便我們的資料驅動模型可以提供有用的見解在危機時期。

適應環境變化後的機器

點選載入圖片

在複雜的自適應系統中做出決策，最具挑戰性的方面是其自適應特性。人們都知道在這些系統中操作的參與者或代理都是非固定性和無響應的。取而代之的是，隨著環境變化所激發的動機，他們改變了自己的行為。

基於代理的模擬模型甚至能夠說明代理偏離理性，最佳化或利用其環境的能力。在更改策略後這些模型可以預測系統將如何進行自我配置，從而使機器智慧始終領先於人類的反應。

點選載入圖片

如何應用此方法的一個現實示例是檢測欺詐。我們可以在由“智慧欺詐者”組成的模擬中訓練機器智慧以發現欺詐，這些模擬者能夠學習人類在現實世界中尚未制定的欺詐策略，這不是模擬和機器學習的問題而是提供最大潛力將模擬和機器學習相結合。對於想利用AI的企業來說，模擬是一項基礎技術。

建立強大的模擬技術已經存在。越來越多的公司不是在現實世界中收集資料而是轉向虛擬世界以一小部分成本收集生命週期內有價值的資料。

下一代人工智慧模擬器：人類的水晶球

深度學習為模擬世界提供了新的動力，這應該對從天氣預報到藥物設計等各個方面產生巨大影響。

點選載入圖片

在去年一群數學家和計算機科學家找到了一種解決

三體

問題的方法，速度比以前任何人快一億倍。他們說訣竅是讓人工智慧擺脫挑戰。它只是透過觀看常規計算機多次解決問題來了解該怎麼做。

點選載入圖片

其他小組也已開始使用人工智慧啟發的技術來模擬宇宙，並獲得令人印象深刻的結果。這就提出了一個有趣的問題：人工智慧驅動的模擬能變得有多好？

點選載入圖片

芝加哥大學的研究人員在研究中規劃了AI驅動模擬的未來。他們認為人工智慧驅動的模擬將對我們預測未來的方式產生巨大的影響，幾乎就像擁有一種新型的水晶球一樣。

透過AI驅動的模擬器提供的新機會是從資料中學習，透過預測加速模擬，並使用社會和經濟現象的預測模型來增強基於物理的模擬。

複雜的系統

點選載入圖片

點選載入圖片

研究人員確定了AI驅動的模擬可能會產生重大影響的三個領域。首先是預測複雜的非線性系統（如三體系統）的行為。這完全不同於兩體問題的行為，譬如一顆行星繞恆星執行。這很容易建模因為在每個時刻第一個物體的運動維持都取決於它的當前狀態和僅來自第二個物體的引力。

但是在混合物中新增第三個物體，問題突然變得更加複雜，每個物體的運動都受到所有其他物體的運動的影響，而所有其他物體的運動又受到彼此的影響，依此類推這種兔子洞般的行為會迅速變得混亂。

點選載入圖片

在許多情況下AI系統可以瞭解運動的演變方式而無需透過蠻力對其進行數值計算。可能受益的複雜系統的示例包括氣候預測、地震後的餘震預測、交通流管理等，受益的第二個領域是由人類行為決定的系統，例如經濟、股票市場和人群。在這些系統中許多個體代理根據自己所處的環境共同行動。

點選載入圖片

這類模型由於規模龐大而在計算上很困難-譬如經濟可以由數以百萬計的個體組成，這些個體既可以邏輯獨立地行動，也可以以不合理且難以預測的方式行動。“挑戰在於這些指導行為的規則是臨時性的，同時使模擬結果難以解釋

儘管如此人工智慧系統還是有幫助的，因為它們可以學習某些情況下的總體結果而不必模擬每個代理的行為。類似於在建模人類語言方面的巨大進步，在建模人類行為方面可以有巨大地進步

點選載入圖片

研究人員強調的最後一個領域是最佳化決策。谷歌的Deepmind研究人員在象棋，圍棋和星際爭霸等遊戲中擊敗人類取得了成功。在每種情況下人工智慧系統都可以透過反覆玩自己的遊戲來學會做出比人類更好的決策。成功的關鍵在於以AI系統可以與之互動的模型來捕捉遊戲。

對於棋盤遊戲或影片遊戲而言這很簡單但在現實世界中很難做到。首先考核模型是否足夠精確？以至於可以使用RL來決定節省接下來要進行哪些昂貴的實驗，例如要合成和測試哪些藥物，要合成和研究哪種新材料等

藥物設計

點選載入圖片

谷歌的Deepmind就在最近宣佈了他們已經使用AI解決了現實世界中預測氨基酸鏈將形成形狀的問題-即所謂的蛋白質摺疊問題。不難看出類似的方法還會有助於設計新的藥物分子。

點選載入圖片

谷歌還使用了Deepmind的AI方法來最佳化其冷卻資料中心的方式，從而將其冷卻費用削減了40％。更復雜的最佳化問題包括尋找製造新材料和新產品的最佳方法，或者最佳化稅收政策以實現某些經濟目標。在不久的將來人工智慧很可能會介入這些流程。

透過將AI驅動的技術與傳統的數值模擬相結合可能會取得最大的進步。AI並不總是擅長模擬以前從未見過的情況，一種前進的方法是將模擬劃分為AI可以發揮最大作用的區域，並使蠻力數字緊縮到最需要的特定時間。

點選載入圖片

三體問題對於AI而言很容易理解，雖然當它們彼此相距較遠時彼此靠近時情況會變得很複雜，先進的模擬器會為模型對這些部分保留強大的數字運算功能。

無論採用哪種實施方式人工智慧都將對模擬產生重大影響。正如研究人員所說：“由大規模，精心策劃資料集驅動的AI模擬具有巨大的潛力，可以解鎖和加速科學技術關鍵領域以及整個社會的創新。”

他們敦促世界頂級企業在這些領域進行大量投資和研究。當人們談到這種新型功能強大的AI水晶球時，宇宙中的三體問題也許僅僅只是個開始。