
结语
|
205
决问题(响应式
AI
)。机器学习结合诸如
AlphaGo
这样的代表问题解决与决策方面最新
技术的系统,还能增强规划器的能力。值得注意的是,由于强化学习研究社区最爱使用
游戏作为评测基准,因此其与游戏文化建立了紧密联系。而与之形成鲜明对比的是,如
今只有极少数的商业游戏使用机器学习。但毫无疑问的是,强化学习研究社区对游戏的
热衷将很快为游戏产业带来回报。的确,机器学习能够解决游戏
AI
设计时所面临的实
际问题。所以,现在让我们审视一下机器学习目前可以做什么,以及思考它在不久的将
来最有可能带来什么变革。
回到图
10-1
讨论“行为”的一节,我们强调过,机器学习在自主系统中发挥最大作用之
处在于感知层 :理解来自传感器的复杂的数值型数据(数据挖掘可以被看作一个例子)。
深度学习最早成功应用于计算机视觉、运动识别,以及自然语言处理等领域。当我们谈
到决策制定与行为生成时,对于解决图
10-1
所示架构的最低层级的任务来说,机器学习
已被证明是很有价值的方案。深度强化学习擅长处理
Atari
街机游戏类问题,更多的是
因为它基于条件反射与良好的协调性,而非基于对困难问题的建模与解决能力。竞速、
格斗以及体育模拟游戏是强化学习的重要应用领域。这并不奇怪,在前面的内容中我们
强调过,在分层架构中处于最低层级的感知任务大多属于多维连续域优化问题,而不是
离散域的组合优化问题。同时,感知问题也具有连续性与多维性,这让人联想到机器学
习在同为连续域问题的动画生成任务中的卓越表现。
15,16,17
在实践中,强化学习是控制感
知层的一个很好的备选方案。 ...