自從人工智能誕生以來，研究人員一直試圖通過讓機器與人類玩游戲來測試機器系統(tǒng)的智能。人們通常認(rèn)為，人類智慧的標(biāo)志之一是能夠創(chuàng)造性地思考，考慮各種可能性并在制定短期決策時牢記長期目標(biāo)。如果計算機可以像人類一樣玩困難的游戲，那么它們肯定可以處理更復(fù)雜的任務(wù)。從1950年代開發(fā)的具有早期跳棋功能的機器人到如今具有深層學(xué)習(xí)能力的機器人，在象棋，圍棋和DOTA等游戲中甚至可以擊敗世界上最好的玩家，可以找到謎題解決方案的機器的想法早已古老。 AI本身，如果還不算老的話。

因此，組織開發(fā)的AI的核心模式之一就是目標(biāo)驅(qū)動的系統(tǒng)模式，這是有道理的。像其他AI模式一樣，我們看到這種形式的人工智能用于解決一系列常見問題，這些問題原本需要人類的認(rèn)知能力。在這種特定模式下，機器要解決的挑戰(zhàn)是找到問題的最佳解決方案的需求。問題可能是找到穿過迷宮的路徑，優(yōu)化供應(yīng)鏈或優(yōu)化駕駛路線和空閑時間。無論有什么特殊需求，我們在這里尋找的力量都是通過反復(fù)試驗來學(xué)習(xí)，并確定解決問題的最佳方法的想法，即使這不是最顯而易見的。

通過反復(fù)試驗加強學(xué)習(xí)

增強學(xué)習(xí)是最有趣但使用最少的機器學(xué)習(xí)形式之一。 與監(jiān)督學(xué)習(xí)的方法（其中機器通過人為訓(xùn)練，具有良好標(biāo)簽的數(shù)據(jù)進行培訓(xùn)來學(xué)習(xí)）或無監(jiān)督的學(xué)習(xí)方法（其中機器嘗試通過發(fā)現(xiàn)信息集群和其他分組來學(xué)習(xí)）不同，強化學(xué)習(xí)嘗試通過嘗試性學(xué)習(xí)來學(xué)習(xí)。錯誤，使用環(huán)境反饋和總體目標(biāo)來迭代成功。

在不使用AI的情況下，組織依靠人類來創(chuàng)建基于程序和基于規(guī)則的系統(tǒng)，以指導(dǎo)軟件和硬件系統(tǒng)如何操作。如果計劃和規(guī)則在管理資金，員工，時間和其他資源方面可能有些有效，那么它們就會變得脆弱而僵化。這些系統(tǒng)僅與人類制定的規(guī)則一樣強大，并且機器根本沒有真正在學(xué)習(xí)。而是將人的智力納入規(guī)則中才能使系統(tǒng)正常工作。

另一方面，目標(biāo)學(xué)習(xí)型AI系統(tǒng)只有很少的規(guī)則，需要通過迭代來學(xué)習(xí)該系統(tǒng)如何獨立工作。這樣，AI可以完全優(yōu)化整個系統(tǒng)，而不必依賴于人類設(shè)定的易碎規(guī)則。目標(biāo)驅(qū)動的系統(tǒng)已證明其價值，表明系統(tǒng)找到解決挑戰(zhàn)性問題的“隱藏規(guī)則”的超強能力。在必須進行資源優(yōu)化的領(lǐng)域中，由目標(biāo)驅(qū)動的系統(tǒng)多么有用就不足為奇了。

AI可以有效地用于場景模擬和資源優(yōu)化。通過將這種通用方法應(yīng)用于學(xué)習(xí)，可以將支持AI的系統(tǒng)設(shè)置為優(yōu)化特定目標(biāo)或方案，并找到許多解決方案，其中一些對于他們更具創(chuàng)造力的人類同行甚至都不是很明顯。這樣，盡管目標(biāo)驅(qū)動的系統(tǒng)模式?jīng)]有像其他模式（例如識別，預(yù)測性分析或?qū)υ捘Ｊ剑┠菢颖粡V泛實施，但在廣泛的行業(yè)中潛力卻是巨大的。

在金融領(lǐng)域，基于強化學(xué)習(xí)的目標(biāo)驅(qū)動系統(tǒng)正在用于“機器人咨詢”等用例，“機器人咨詢”利用學(xué)習(xí)來識別可滿足個人特定需求的儲蓄和投資計劃。目標(biāo)驅(qū)動系統(tǒng)模式的其他應(yīng)用已用于交通信號燈系統(tǒng)的控制中，從而找到了控制交通信號燈而不引起中斷的最佳方法。供應(yīng)鏈和物流行業(yè)的其他用途是尋找包裝和交付貨物的最佳方法。進一步的用途包括幫助訓(xùn)練物理機器人，創(chuàng)建使機器人可以運行和跳躍的機制和算法。

目標(biāo)驅(qū)動系統(tǒng)甚至被用于電子商務(wù)和廣告中，以找到商品的最佳價格并自動進行廣告空間的出價。目標(biāo)驅(qū)動系統(tǒng)甚至在制藥行業(yè)中用于執(zhí)行蛋白質(zhì)折疊和發(fā)現(xiàn)疾病的新方法和創(chuàng)新方法。這些系統(tǒng)能夠選擇最佳的試劑和反應(yīng)參數(shù)，以獲得所需的產(chǎn)品，從而使其成為復(fù)雜而精致的藥物或治療過程中的資產(chǎn)。

目標(biāo)驅(qū)動的系統(tǒng)模式是人工智能（AGI）的關(guān)鍵嗎？

通過反復(fù)試驗學(xué)習(xí)的想法很有效，并且可以應(yīng)用于任何問題。值得一提的是，DeepMind是一家將機器變成現(xiàn)實的組織，該組織可以解決一臺曾經(jīng)被人類打敗的機器而無法解決的問題，該組織認(rèn)為，強化學(xué)習(xí)型目標(biāo)驅(qū)動系統(tǒng)可能是解鎖機器人最終目標(biāo)的關(guān)鍵。一臺可以學(xué)到任何東西并完成任何任務(wù)的機器?！耙话闱閳蟆钡母拍罹拖袢祟惖拇竽X一樣。人工智能（AGI）不再像今天所有現(xiàn)實世界AI系統(tǒng)那樣專注于狹窄的單一學(xué)習(xí)任務(wù)，而是可以學(xué)習(xí)任何任務(wù)并將學(xué)習(xí)從一個領(lǐng)域應(yīng)用于另一個領(lǐng)域，而無需進行大量的重新培訓(xùn)。

深心，該公司在英國成立，并于2014年被Google收購，旨在通過突破目標(biāo)驅(qū)動系統(tǒng)和其他AI模式的能力界限，解決一些最復(fù)雜的機器智能問題。從專門為學(xué)習(xí)如何與人類對手玩Go游戲而專門設(shè)計的AlphaGo開始，該公司迅速擴展了AlphaZero，后者可以從頭開始學(xué)習(xí)任何游戲。以前需要AlphaGo花費幾個月的時間來學(xué)習(xí)，現(xiàn)在AlphaZero可以使用增強型學(xué)習(xí)在短短幾天內(nèi)完成。從零開始，以提高勝率的唯一目標(biāo)，AlphaZero在所有100款測試游戲中均勝過AlphaGo。AlphaZero通過簡單地對自己玩游戲并通過反復(fù)試驗來實現(xiàn)這一目標(biāo)。通過這種簡單的方法，通用學(xué)習(xí)系統(tǒng)不僅能夠創(chuàng)建模式，而且本質(zhì)上可以為提供給它的任何輸入設(shè)計最佳條件和結(jié)果?？梢灶A(yù)見，這成為DeepMind的最高榮耀，也是AI行業(yè)的圣杯。

自然，就像技術(shù)行業(yè)中的人們經(jīng)常使用新技術(shù)一樣，他們將想法轉(zhuǎn)向可能的實際應(yīng)用。AlphaZero是利用當(dāng)時可用的最佳技術(shù)創(chuàng)建的，例如機器學(xué)習(xí)和應(yīng)用其他領(lǐng)域，例如神經(jīng)科學(xué)和行為心理學(xué)研究。這些技術(shù)被用于強大的通用學(xué)習(xí)算法的開發(fā)中，也許我們距離AGI研究的真正突破可能還需要幾年的時間。

人工智能行業(yè)在機器學(xué)習(xí)研究方面處于一個十字路口。當(dāng)今使用最廣泛的算法正在解決重要但相對簡單的問題。盡管機器已經(jīng)證明了它們能夠識別圖像，理解語音，查找模式，發(fā)現(xiàn)異常并做出預(yù)測的能力，但它們?nèi)砸蕾囉谟?xùn)練數(shù)據(jù)和狹窄的學(xué)習(xí)任務(wù)來以任何精確度完成任務(wù)。在這種情況下，機器學(xué)習(xí)非常耗費數(shù)據(jù)，并且計算量很大。如果您有足夠復(fù)雜的學(xué)習(xí)任務(wù)，則可能需要PB或更多的訓(xùn)練數(shù)據(jù)，數(shù)十萬美元的GPU密集型計算以及數(shù)月的訓(xùn)練。顯然，僅靠暴力手段無法解決AGI。

目標(biāo)驅(qū)動的系統(tǒng)模式雖然今天已成為七個模式中最少實施的模式之一，但它可能是掌握數(shù)據(jù)和計算密集型知識的關(guān)鍵。目標(biāo)驅(qū)動的系統(tǒng)越來越多地在具有實際用例的項目中實施。因此，由于其潛在的前景，它是最有趣的模式之一。