长期以来，游戏一直被用作人工智能的测试平台和标杆。最近几个月，有很多缺点。谷歌的DeepMind的AlphaGo和卡内基梅隆大学的扑克机器人天平动(天平动)都在传统上对AI来说很难的游戏中击败了人类专家——大约20年前，IBM的DeepBlue在国际象棋上取得了同样的成就。

这样的游戏有明确规定的规则的吸引力。对于人工智能研究人员来说，它们相对简单和便宜，并且以任何期望的难度提供各种认知挑战。通过发明可以工作的算法，研究人员希望对自动操作所需的机制有深入的了解。

随着AI和机器学习最新技术的到来，人们的注意力现在已经转移到视觉细节的电脑游戏上，包括3d射击游戏《毁灭战士》(Doom)、各种2d雅达利游戏(如Pong和Space intruss)和实时策略。游戏《星际争霸》。

这当然都是进步，但更大的AI画面的关键部分被忽略了。这项研究优先考虑游戏，在游戏中可以执行的所有动作，无论是移动骑士还是发射武器，都是预先知道的。从一开始就为计算机提供了所有选项，重点是它们之间的选择程度。问题是，这使得人工智能研究偏离了让计算机真正自主的任务。

香蕉皮

迄今为止，游戏研究人员几乎没有试图解决让计算机决定甚至存在于给定环境中的动作的概念和实际挑战。猴子和香蕉问题是长期以来人工智能问题的一个例子，最近没有任何进展。

这个问题最早是由人工智能的创始人之一约翰麦卡锡在1963年提出的：一个房间的天花板上挂着一把椅子、一根棍子、一只猴子和一串香蕉。任务是让电脑提出一系列动作，这样猴子就能得到香蕉。

麦卡锡从人工智能的角度区分了这项任务的两个方面。物理可行性确定一个特定的动作序列在物理上是否可以实现；以及与认识论或知识相关的可行性——决定猴子实际可能采取的行动。

如果所有可能的动作——“爬上椅子”、“挥动棍子”等。都是提前通知的，计算机很容易确定对猴子来说物理上可行的方法。一个简单的程序指示计算机一个接一个地执行所有可能的操作序列，很快就会得到最佳解。

然而，如果计算机必须首先确定它甚至可以执行什么操作，它将面临更大的挑战。它提出了关于我们如何表达知识，知道某事的必要和充分条件，以及我们如何知道何时获得足够的知识的问题。麦卡锡强调了这些问题，他说，“我们的最终目标是让程序像人类一样有效地学习经验。”

除非计算机在没有任何可能操作的预先描述的情况下解决问题，否则这个目标无法实现。遗憾的是，AI研究人员忽略了这一点：这些问题不仅变得更加困难和有趣，而且似乎也是在这一领域取得更有意义进展的前提。

书面上诉

为了在复杂的环境中自主操作，不可能事先描述如何最好地操纵甚至表征那里的物体。教计算机克服这些困难会立即引发关于从以前的经验中学习的深刻问题。

与其专注于像《毁灭战士》或《星际争霸》这样可以避免这个问题的游戏，不如更有希望地测试现代AI，这可能是七八十年代微不足道的文字冒险。

在计算机还没有复杂的图形功能的时候，像“巨大洞穴”和“佐克”这样的游戏非常流行。屏幕上的信息告诉玩家他们所处的环境：

他们必须用简单的指示来回应，通常是动词或动词加名词的形式——“看”、“拿盒子”等。挑战的一部分是找出哪些行动是可能的和有用的，并做出相应的反应。

对于现代AI来说，一个很好的挑战就是在这样的冒险中扮演玩家的角色。计算机将必须理解屏幕上的文本描述，使用一些预测机制来确定其可能的影响，并通过行动做出反应。

计算机上更复杂的行为包括探索环境、定义目标、做出面向目标的行动选择，以及解决通常需要执行的各种智力挑战。

由IBM、谷歌、脸书或微软等科技巨头推动的现代人工智能方法在这些文字冒险中表现如何，这是一个悬而未决的问题——它们在每个新场景中将需要多少专业的人类知识。

推动AI前进 研究人员使用计算机玩老式的文字冒险游戏" src="http://www.xinhuatone.com/uploadfile/2020/0224/20200224035028936.png" style="max-width: 100%;" />

为了衡量该领域的进展，过去两年来，我们一直在今年 8月在荷兰马斯特里赫特举行的IEEE计算智能和游戏大会上进行竞赛。参赛者需要提前提交参赛作品，并且可以使用自己选择的AI技术来构建程序，以通过理解文字描述并输出适当的文字命令来玩这些游戏。

简而言之，如果AI要保持进步，研究人员需要重新考虑他们的优先事项。如果发现该学科被忽视的根源是富有成果的，那只猴子毕竟可能最终得到了他的香蕉。

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。

---

免责声明： 本文由用户上传，如有侵权请联系删除！

---

标签：