从不滑稽地说道，沦为机器智能研究员知道是一件令人激动的事情。最近，机器学习（ML）和人工智能（AI）获得的一系列顺利——从构建人机公平的语音辨识到击败世界冠军的棋盘游戏，都指出了这些领域的发展前景。
然而，这些顺利大多数仅限于在堵塞的虚拟世界中，这种“堵塞”世界的操作者为AIagents获取了两个显著的优势。首先，这些AIagent只必须针对具体任务来设计操作者——一个玩游戏棋盘游戏的智能agent只必须解读下一步最差的南北策略是什么，而不必须其他的。其次，这些系统中的大多数AI程序都享用到非常丰富的资源——通过搜集获得的经过注解的、相似无限的训练数据。
无论是从繁复的过去经验累积中，还是通过自我自学的技术都可以获得这些“大数据”。那么，现在我们来考虑一下机器人、物联网（IoT）设备以及在现实世界中运营和继续执行任务的自律车辆设备，这远超过了封闭式范式的狭义环境的假设。这些设备不仅要已完成首要任务，还必需生活在一个对外开放世界中，拒绝接受着各种并未建模的外部现象的挑战。
除此之外，这些系统还必须通过最少量的训练来适应环境和自学。鉴于必须大量的技术的训练数据来获得成功的范例，例如利用增强自学、样板自学和迁入自学的设备来说，对外开放环境特别是在具备挑战性。虽然早已有了综合AI的例子，通过几个分开的组件可以搭起人工智能系统，但是我们依然必须探寻一些基本原理，从而使核心架构可以建构一个可以在现实世界中具备可适应性和智能性的系统。
AirSim的快照表明了在城市环境中飞行中的飞机。插画表明动态分解的深度，对象拆分和前置摄像头流。在微软公司的研究部门，就于是以将机器人和网络物理系统涉及领域的出台议程，其目标是探寻和说明了统一的算法和技术结构，从而构建这种现实世界的人工智能。
微软公司的信念是，在基础层面解决问题三个关键方面，以便构建在现实世界中创建AIagents的下一次根本性进步。这三个方面分别是结构，仿真和安全性，正如特例：结构结构：解决问题数据匮乏问题的一个方法是用于真实世界的统计资料和逻辑结构。比如环境中的秩序（如交通规则，自然规律以及我们的社交圈）可以十分有助避免现实世界中所面对的不确定性。
例如，我们最近在非确定性真爱轻规划（No-RegretReplanningUnderUncertainty）的工作，表明了现有的机器人路径规划算法是如何利用风的统计资料结构，在数据严重不足的情况下来确认如何相似拟合路径的。
本文来源：星空app官网登录官方网站-www.darenong.com
