但很显然,并不是所有人都同意这一观点。(来源:VentureBeat) 近日,数据科学家 Herbert Roitblat 就针对 DeepMind 团队提出的这一观点提出了反驳意见。在他看来,虽然 Silver 等人的说法听起来像是一个大胆的主张,但事实上却很模糊,甚至几乎毫无意义。 值得一提的是,Roitblat 也是 Algorithms Are Not Enough: How to Create Artificial General Intelligence 一书的作者。
需要多大的灵活性?多大范围的目标?如果我们有一台电脑,可以交替地下围棋、跳棋和国际象棋,这仍然不构成通用智能。即使我们增加了另一种游戏,即象棋,我们仍然拥有完全相同的计算机,它仍然可以通过找到一个模型来工作,该模型“以棋盘位置 s 作为输入并输出移动概率向量”。计算机完全没有能力接受任何其他的 "想法" 或解决任何无法以这种特定方式表示的任何问题。
Roitblat 在 Algorithms Are Not Enough: How to Create Artificial General Intelligence 一书中解释了为什么所有当前包括强化学习在内的人工智能算法,都需要仔细制定人类创建的问题和表示。他表示,一旦建立了模型及其内在表示,优化或强化就可以指导其进化,但这并不意味着强化就足够了。同样,Roitblat 补充说,该论文没有就如何定义强化学习的奖励、动作和其他元素提出任何建议。与 Silver 等人的说法相反,他认为奖励是不够的。