據美國《連線》雜志網站近日報道，目前大部分人工智能研究都集中在個體智能體(Agent，指能自主活動的軟件或者硬件實體)上，人工智能系統也一直是作為個體運作，但這些個體智能體不能組合成一個團隊來學習、工作，也不能相互協作完成相應的任務。麻省理工學院航空航天教授喬納森·豪認為，這種工作模式喪失了一個巨大的機會，未來機器人應該一起工作，互相學習。

　　在分布計算領域，人們通常把在分布式系統中持續自主發揮作用并具有自主性、交互性、反應性和主動性的計算實體稱為Agent。例如一輛單獨行駛在街道上的汽車，一種能根據周圍環境變化而不斷調整的恒溫器。

　　豪領導的研究團隊一直致力于研究改變“移動和人工智能設備相互協作和學習的方式”，希望通過人工智能的核心能力——機器學習，幫助智能對象，使彼此更智能。

　　豪認為，未來機器人可以互相學習，共同工作，從而改變物流(機器人完成訂單并送貨上門)和太空探索(機器人合作探索新領域)等行業。而真正的挑戰是為這些人工智能機器人在實驗室之外的真實世界做好準備，這才是人工智能應該涉獵的領域。

　　機器人個體結成團隊工作

　　現實世界遠比人工智能機器人開發實驗室環境復雜。在團隊工作中，人類會思考，其他人在做什么?如何共同完成任務?這個任務會發生怎樣的變化?等等。而這些問題，都將是機器人以團隊形式工作時所需要“考慮”的。

　　為了讓機器人以群體形式工作，豪帶領的團隊讓智能體在周邊環境中反復試驗，像人類一樣學習。團隊利用他們自己開發的新算法，以及機器人行業的經驗，對其進行了優化，使用了一種名為強化學習的機器學習技術，讓它們適應周邊環境。

　　團隊甚至更進一步研究了“多智能體”參與時發生了什么。“多智能體”強化學習這門新興學科存在許多難題，包括：如何讓獨立的智能體在其他方面建立共識并達成一致?如何確保它們之間不斷的交談不會淹沒整個網絡?當一個有人工智能功能的機器人認為自己知道正確的做事方式，但它卻錯了時又會發生什么?

　　豪說：“如果我們對什么時候去吃晚飯都有不同的看法，你需要多少溝通才能達成一致?這看起來相對簡單的問題，但在機器人系統中，我們要處理的問題非常多，通常這些問題都有很多不確定性。”

　　只有出現了可行的深度學習平臺，才有可能真正回答這些問題。豪和他的團隊使用由亞馬遜的EC2 GPU實例支持的AWS深度學習AMI環境，這些實例不需要管理機架和服務器，就可以在云上執行非常復雜的計算。他們的最終目標是訓練和運行強化學習模型的速度和準確性，以保證機器人足以應對現實世界中行為的影響。比如，當機器人意見不一致時，它們之間不斷的嘮叨不會淹沒整個網絡。

　　復雜計算需要云平臺

　　在智能機器人共同學習的理想生態系統中，整體大于部分之和，這需要重大的技術努力才能實現。

　　在亞馬遜云服務(AWS)、波音和IBM聯合資助下，豪的團隊已經進行了一段時間的深入研究，通過足夠的計算能力運行復雜的強化學習算法，使一群機器人保持不斷的通信，并在聯機中調整它們的行為。新的強化學習系統被稱為分層多智能體教學，通過優化獎勵功能和更有效的溝通，成功地提高了機器人在團隊范圍內的學習和協作整合解決問題的能力。利用基于云的服務，團隊中的每個成員都可以根據自己的需要，訪問盡可能多的計算能力。

　　“在這種基于模擬的訓練中，我們要測試數百種設置，速度是至關重要的。”豪教授的碩士研究生金東基(音譯)說，“機器學習直接轉化為我們在更短的時間內運行更多迭代的能力。AWS提供了強大的GPU實例，大大縮短了訓練時間，加快了我們的研究步伐。”

　　豪認為，這項研究商業化需要5—10年的時間，但這可能是未來人工智能應用的一個基本推動者。他表示，合作、有彈性機器人的用途幾乎是無限的。