【注：本文圖片均來源於互聯網，文章未經授權禁止轉載！部分圖片與本文無關，只為方便讀者理解，關注我們每天閱讀更多精彩內容】
1.【今日資訊頭條 | NeurIPS2019 搶先看 | 谷歌大腦新研究：無需預測來學會預測：沒有前瞻性預測的世界模型】
無需預測來學會預測
來自谷歌大腦的研究人員近日發表了一篇名為「無需預測來學會預測：沒有前瞻性預測的世界模型」的新研究。以下是該研究的完整摘要分享：許多基於模型的強化學習涉及到學習智能體世界的模型，並培訓智能體利用該模型更有效地執行任務。
儘管這些模型對代理人非常有用，但我們知道的每個自然存在的模型（例如大腦）都是為了生存而競爭的進化壓力的副產品，而不是通過梯度下降最小化有監督的前瞻性損失。有用的模型可能來自混亂而緩慢的演化優化過程，這表明前瞻性預測建模可以作為在適當情況下優化的副作用而出現。至關重要的是，此優化過程不必明確地是前瞻性損失。在本研究中，研究人員對傳統的強化學習進行了改進，並將其稱為觀察性輟學，從而限制了代理商在每個時間步上觀察真實環境的能力。
通過這樣做，研究人員可以強迫智能體學習一種世界模型，以填補強化學習過程中的觀察空白。研究結果表明，新興世界模型雖然未經過明確培訓以預測未來，但可以幫助智能體學習在其環境中表現良好所需的關鍵技能。該研究已被 NeurIPS2019 收錄。
松寶有話說：無需預測來學會預測：沒有前瞻性預測的世界模型。
2.【新聞 | 李飛飛團隊新作：級聯變分推理的多步操縱動力學學習】
李飛飛團隊
近日，包括李飛飛在內的來自斯坦福大學，英偉達以及多倫多大學 Vector Institute 的研究團隊發表了一篇名為「級聯變分推理的多步操縱動力學學習」的新研究。該團隊將級聯變異推理（CAVIN）引入在學習的潛在空間中分層生成計劃。
其機器人學會了在不同任務中與多個對象進行戰略性交互。以下是該研究的完整摘要分享：規劃多步操作的根本挑戰是找到導致任務目標的有效且合理的動作序列。研究團隊介紹了 CAVIN 計劃程序，這是一種基於模型的方法，可以通過從潛在空間進行採樣來分層生成計劃。為了便於長時間規劃，該方法學習了潛在的表示形式，這些表示形式通過級聯的變分推理將高級效果的預測與低級運動的生成解耦。
這使研究人員能夠在兩個不同的時間分辨率級別上對動力學進行建模，以進行層次規劃。鑑於高維觀測，研究團隊在雜亂的桌面環境中的三個多步機器人操作任務中評估了該方法。實驗結果表明，通過與多個對象進行戰略性交互，該方法優於基於模型的最新方法。
松寶有話說：級聯變分推理的多步操縱動力學學習。
3.【新聞 | IBM：人工智能將改變每一項工作並增加對創造技能的需求】
人工智能將改變每一項工作並增加對創造技能的需求
今日 MIT-IBM Watson AI 實驗室發佈名為「工作的未來：新技術如何轉變任務」的新報告，表明人工智能很可能會改變每項工作的執行方式，從而消除重複任務相關的工作，並增加對創新思維者的需求。該研究發現跡象表明 AI 正在逐漸重新定義在 AI 中執行的任務的性質。隨著自動化工作的發展，某些工作將會取得進展。
松寶有話說：人工智能將改變每一項工作並增加對創造技能的需求。
關注我們每天閱讀更多精彩內容
閱讀更多 鬆寶說科技 的文章
