天才一秒记住【久久文学】地址：https://www.jjwxx.com
不过网站上没有提供更多细节，我当时也没能找到更了解它的人。
人工智能界的同行大多对这个声明持怀疑态度，可能也带有一点职业嫉妒的色彩。
直到2014年末，我碰巧遇见了一位同事南多·德·雷弗斯塔（as），才打听到更多关于深度思维的消息。
南多是深度学习领域世界级先驱之一，当时他是牛津大学的教授，是我的同事（后来他离开学校，去了深度思维工作）。
他正好和学生们参加一个研讨会，腋下夹着一堆科学论文。
显然他在为某件事情兴奋着，他告诉我：“伦敦有人训练出了一个程序，可以从头开始玩雅达利游戏。”
我不得不说，这有什么好兴奋的？可以玩电子游戏的程序又不是什么新鲜事。
这种程度的挑战我们可能会布置给本科生作为毕业项目——我就是这么轻蔑地告诉南多的。
他很耐心地给我详细解释，我们确实已经进入了人工智能的新时代。
南多提到的雅达利游戏系统基于早期的雅达利2600系列游戏机，那是1980年前后的产品，是最早获得成功的视频电子游戏平台之一：它支持210×160像素网格的大分辨率视频，支持128位颜色。
用户通过一个带单独按钮的操作杆进行操作，游戏机使用插卡式游戏卡带，深度思维用的游戏卡带一共有49个游戏。
他们对人工智能的描述如下[73]：
我们的目标是构建一个单一的神经网络游戏智能体，它能够学习玩尽可能多的游戏。
神经网络没有提供任何特定游戏的信息或者额外加入的视觉要素，也不了解游戏机的内部状态。
它只能从显示屏所反馈的东西进行学习（即游戏分数），以及弄清楚到底该怎么操作游戏——就像人类玩家一样。
为了理解深度思维成就的意义，了解他们的程序到底做了什么以及没做什么，这一点非常重要。
或许最重要的一点是，程序对自己正在玩的游戏一无所知。
如果我们试图用第三章中提到的基于知识的人工智能来构建一个雅达利游戏程序，首先会考虑从雅达利游戏机中提取的专家系统知识，并尝试使用规则或其他一些表示知识的方案对其进行编码（如果你想试试的话，祝你好运）。
但是深度思维的程序根本没有任何关于游戏的知识，程序得到的唯一信息是出现在游戏机屏幕上的图像（以210×160彩色像素网格的形式）和游戏的当前分数。
仅仅如此，这个程序压根没有其他的信息可以参考。
这里要特别提出来讲一下，程序没有得到诸如“对象A在位置（x，y）上”
之类的信息——任何类似的信息都需要程序从原始的视频数据中自己提取。
程序运行的结果简直令人惊讶[74]，程序通过强化学习自学玩游戏：反复玩同一个游戏，在每个游戏中进行实验并获得反馈，并学习哪些行为会得到奖励，而哪些不会。
雅达利游戏程序学会了游戏卡带中的29个游戏，表现出高于人类玩家平均水准的能力。
在某些游戏里面，它甚至达到了超人的水准。
本章未完，请点击下一章继续阅读！若浏览器显示没有新章节了，请尝试点击右上角↗️或右下角↘️的菜单，退出阅读模式即可，谢谢！