OpenAI總監Ilya Sutskever昨天在EmTech Digital大會上介紹了人工智能領域下一個可能的爆發點。OpenAI是一家獨立研究機構，EmTech Digital是MIT的科學雜志《科技回顧》所組織的大會。

　　Sutskever介紹了一種新的機器學習研究方法，它的效果比現在已經產生巨大突破的方法還要好。他的技術的擴展性可能也會更好。

　　在這篇 https://blog.openai.com/evolution-strategies/ 博客文章里，Sutskever和同事們采用“進化策略”讓機器理解一項復雜的任務。研究人員說，此方法與幾十年前的方法頗有淵源，它涉及使用模擬進化過程的優化算法。這些技術的本質就是讓機器根據實驗和優化，找到解決復雜問題的最佳方法，它可以被應用在機器人、自動駕駛和其它領域。

　　OpenAI的研究人員將他們的進化策略與強化學習方法做比較，后者在近些年取得了令人矚目的成果，包括計算機戰勝圍棋世界名將（參見《10項重大技術：強化學習》https://www.technologyreview.com/s/603501/10-breakthrough-technologies-2017-reinforcement-learning/）。強化學習的原理來自于動物從實踐經驗中學習的過程，讓機器能夠解決我們人類很難或者不可能用代碼描述的事件。

　　不同于強化學習，進化策略可以讓機器使用更少的計算資源來學習。強化學習通常會用到反向傳播的方法來減小神經網絡的誤差。進化策略則采用更簡單的優化技術。

　　“這個方法非常有意思，可能會開啟一個全新篇章”Pedro Domingos說，他是華盛頓大學的教授和《The master algorithm》一書的作者。

　　Domingos質疑這項技術是否能超越強化學習，但他又補充到，“機器學習領域存在著大量簡單方法戰勝復雜算法的先例。我們需要耐心等待百花齊放的場景”。

　　人工智能領域需要有影響力的技術突破來維持近些年的快速發展勢頭。

　　人工智能近些年已經顛覆了整個科技界，目前正在醫療健康、教育、交通和制造業等行業尋找實踐項目。舉個例子，深度學習利用大規模神經網絡模型挖掘大數據中的模式，推進了語音識別和圖像識別技術在醫學研究和醫療健康領域的應用。

　　然而，與此同時我們也發現這些技術并不能解決所有的人工智能應用項目。探索新機遇和持續性創新是EmTech Digital大會的突出主題。

　　即使新技術層出不窮，比如強化學習和OpenAI的進化策略方法，終極目標，即某種意義上的通用人工智能，仍然是一個遙遠的愿景。

　　但是，隨著強大的機器學習技術不斷地向新興行業和日常生活領域擴散，它也可能會給我們帶來意想不到的效果。

　　出席EmTech Digital的演講者們也討論了被嵌入在機器學習算法中的偏見指導，它將影響機器做出的重大決策，比如該罪犯的合適量刑年限，客戶是否符合貸款條件等等。

　　隨著機器學習應用在生活的各個領域，這一問題將變得更加重要，并將引發嚴重的倫理討論。這又是EmTech Digital大會的另一個主題。