在每个环境中完成3次这样的进化(训练4000种不同的形态)后 , 研究团队再从每个环境中选择前10名表现最佳的动物 , 并从头开始训练它们执行八项全新任务 , 例如绕过障碍物、操纵球或推动一个盒子向上倾斜 。
最后发现 , 在变化地形中的unimal进化地比平坦地形中的更好 , 在变化地形中操纵盒子的unimal表现最好 。 进化10代以后 , 最成功的unimal在形态上已经适应得非常好 , 他们学习同样任务的时间是最早一代的一半 。
这也与美国心理学家詹姆斯·马克·鲍德温 (James Mark Ba ldwin) 在19世纪后期提出的假设一致 , 他推测学习具有适应性优势(adaptive advantage)事物的能力可以通过达尔文的自然选择传递下去 。 Gupta解释 , “自然会选择能更快地获得优势行为的身体变化” 。
由于在更复杂环境中进化的智能体可以更快更好地学习新任务 , Gupta和他的同事认为 , 允许模拟实体智能体(embodied agent)在日益复杂的环境中进化将为开发在现实世界中执行多项任务的机器人提供启示 。
Gupta说 , “人类不一定知道如何为奇怪的任务设计机器人身体 , 例如爬过核反应堆提取废物 , 地震后提供救灾 , 引导纳米机器人在人体内运动 , 包括做洗碗或折叠衣物等家务 。也许唯一的出路是让进化来设计这些机器人 。 ”
在面对这项研究将会如何具体帮助这些任务的实现的疑问 , Gupta向澎湃新闻表示 , “另一个看待此项研究的方式不再是创造了智能算法(intelligent algorithms) , 而是你可以有正确的物理形式 , 从而轻松完成手头的任务 。 从这个意义上说 , 理论上你可以优化折叠衣服的机器人的形式 。 ”
对于下一步的研究计划 , Gupta透露 , 当前的工作几乎只涉及了表面 , 现在的模拟环境和学习行为都还非常简单 , “我们希望能扩大范围 , 同时 , 将现在的一个智能体扩展成多个智能体也是一个有趣的方向 。 ”
澎湃新闻采访人员 邵文
[责任编辑: ]
推荐阅读
- 最新消息|世界单体容量最大漂浮式光伏电站在德州并网发电
- 最新消息|中围石油回应被看成中国石油:手续合法 我们看不错
- 手机|【直播纪要】VR/MR会吹响消费电子反攻的号角吗?| 见智研究
- 最新消息|CES线下回归受阻:受奥密克戎肆虐影响
- 人工智能|聚焦车载人工智能计算芯片研究 推进汽车产业高质量发展
- 智能化|龙净环保:智能型物料气力输送系统的研究及应用成果通过鉴定
- 最新消息|IT系统出错 英国银行给7.5万人多发11亿工资
- 研究院|传统行业搭上数字化快车,施工现场变“智造工厂”
- IT|为什么感染飙升但死亡人数有限?研究显示T细胞可防止奥密克戎引发重症
- 最新消息|宁德时代再投240亿元扩产宜宾基地
