最近，“谷歌大脑”的创始人和领导人之一杰夫·迪恩（Jeff Dean）团队，接受了《财富》杂志的独家专访，并谈到了人工智能领域的研究进展及其带来的挑战，以及人工智能技术在Google产品中的应用。 Google科学家Jeff＆middot;院长：人工智能距离普及还有多远？ ＆amp; nbsp;问：在促进人工智能领域的研究过程中，研究人员面临的主要挑战是什么？ ＆amp; nbsp;人类的很多学习都来自无监督的学习，也就是说，您只是观察周围的世界并了解事物的真相。这是机器学习研究的一个非常活跃的领域，但是目前的研究进展仍然与监督学习无可比拟。换句话说，无监督学习是指通过观察和感知来学习的人。如果计算机还可以自己观察和感知，它可以帮助我们解决更复杂的问题吗？ ＆amp; nbsp;是的，人类洞察力主要是通过无监督学习来训练的。您从小就一直在观察世界，但有时您会得到一些监督学习的信号。例如，有人会告诉您：“那是一只长颈鹿”。或“那是一辆汽车”。在获得少量监督信息之后，您的心理模型自然会对此做出反应。 ＆amp; nbsp;我们需要更紧密地结合有监督和无监督的学习。但是，从我们大多数机器学习系统的工作模式来看，我们还没有完全进展到这一点。 ＆amp; nbsp;您能解释什么是“强化学习”吗？技术？ ＆amp; nbsp;背后的想法强化学习是因为您不一定了解可能要执行的操作，因此您将首先尝试应执行的一系列操作。例如，如果您认为一个主意不错，则可以尝试一下，然后观察外界的反应。就像玩棋盘游戏一样，您可以在其中回应对手的动作。最终，在一系列类似的行为之后，您将获得某种奖励信号。 ＆amp; nbsp;强化学习的思想是，当您获得奖励信号时，您可以为尝试过程中采取的所有行动分配信誉或过失。如今，这项技术确实在某些领域非常有效。 ＆amp; nbsp;我认为强化学习面临的一些挑战主要集中在您可以采取的行为状态极其广泛的时候。在现实世界中，人类可以在任何给定时间采取多种行为。在玩棋盘游戏时，您只能采取一系列有限的动作，因为游戏规则限制了您，并且奖励信号更加清晰，无论是赢还是输。 ＆amp; nbsp;如果我的目标是煮一杯咖啡或类似的东西，那么我可能采取的潜在行动就非常广泛，而奖励信号也不是那么明显。 ＆amp; nbsp;但是您仍然可以分解步骤，对吗？例如，如果您想冲泡一杯咖啡，您可以学习以下知识：如果您在冲泡之前没有将咖啡豆充分研磨，则冲泡的咖啡的味道会不好。 ＆amp; nbsp;对。我认为强化学习的特征之一是需要对其进行探索，因此通常很难在物理系统环境中使用它。但是我们已经开始尝试在机器人上使用这种技术。当机器人需要执行某些动作时，它在特定日期可以执行的动作受到限制。但是，如果使用计算机仿真，则可以轻松地使用大量计算机来获取数百万个样本。 ＆amp; nbsp; Google是否已开始在其核心搜索产品中使用强化学习技术？ ＆amp; nbsp;通过DeepMind（一家人工智能领域的初创公司，于2014年被Google收购）和我们的数据中心运营商的共同努力，我们将强化学习技术应用于了我们的核心产品。他们还将这项技术应用于数据中心的空调温度控制系统，该系统在保持相同的安全冷却效果和运行条件的同时，还大大降低了能耗。它可以探索温度控制旋钮的哪个设置是合理的，以及在更改操作条件时如何响应。 ＆amp; nbsp;通过密集的学习技术，他们可以探索这18个或更多温度控制旋钮的最佳设置，即使是负责温度控制的人员也可能没有做到。熟悉温度控制系统的人可能会认为：“此设置确实很奇怪。” “但是，实际上，它工作得很好。 ＆amp; nbsp;什么样的任务更适合