人工智能的发展已经逐渐地融入到我们的日常生活中，然而，为了更好地适应复杂多变、不确定的真实世界情况，我们需要更加高效、有针对性的机器训练方式。近期，来自于麻省理工学院和斯坦福大学的一项研究证实，通过新的机器学习策略，能够更好地训练机器来应对不确定的真实世界情况。
在传统的机器学习模型中，往往会以在一个确定的环境中进行训练为基础，然而这种模型难以应对那些真实世界中见识不到的情况，例如气候和交通状况等等。此外，这种模型可能会被“对抗性样本”所误导，导致出现错误预测结果。
因此，研究人员提出了一种新的机器训练策略：在不确定的环境中，创建一个不参与训练的“检测器”，用来检测机器所遇到的不确定环境，为后续的机器训练提供更加准确的方向和数据。
为了更好地说明这种新的机器训练方法的有效性，研究人员通过视频游戏的例子进行了模拟实验。在游戏中，机器需要避开移动的敌人和搜寻目标，而敌人所在的位置是无法预测的，因此游戏环境是非常不确定的。然而，我们通过引入“检测器”来提供更精准的训练方向和数据，成功地让机器在不确定环境中快速地学会了如何逃脱和寻找目标。
总的来说，这种高效而准确的机器训练方法为相对不确定的真实世界情况下的机器学习提供了新的可能性。未来，这种方法可能被应用到更广泛的领域，例如自动驾驶、机器人，以及其它智能化的应用。
了解更多有趣的事情：https://blog.ds3783.com/