在测试中，研究人员利用被新算法强化过的DQN深度神经网络随机玩10款Atari公司的游戏，几天之后，他们发现AI已经可以做到和人类玩家一样优秀了，这其中很大的一部分功劳都在于这种新的算法。没了它，人工智能几乎学不会其中任何一个游戏。

　　Kirkpatrick说，“我们之前的游戏AI只能学习玩一款游戏，而如今我们新发布的系统已经对多款游戏都得心应手了。”

　　在AI玩游戏的过程中，研究人员还注意到一些有趣的现象。例如，当AI在玩赛车类游戏的时候，对于游戏中的白天、晚上、雪等不同的场景，开奖，AI已经可以将它们分解为不同的任务来一一进行解决了，这倒是很出乎大家的预料。

DeepMind新算法与其他算法的对比

　　然而，紧接着又有新的问题出现了，那就是研究人员无法证明，AI是否可以把每一款游戏都玩到极致。概括来讲，AI虽然已经可以利用学过的知识来解决现有的问题，但它是否会因为运用这种方法而将问题解决的更好，还值得商榷。“对于AI来说，还有改进的余地。”Kirkpatrick说。

　　而AI没有精通每一款游戏的一个原因就在于，它对于游戏策略的运用仍然非常茫然。“虽然我们知道连贯学习的重要性，但我们始终没能做出突破，进入到模拟人类和动物那种学习模式的阶段。这的确是一个艰难的挑战，但我们知道没有什么事是不可逾越的。”Kirkpatrick说。

　　“我们距离通用型人工智能还有很长的路要走，也还有很多的研究和挑战需要解决”，Kirkpatrick补充道。“关键在于，搭建起一个可以学习解决新任务和新挑战的系统，同时还要继续保留他们已经学到的技能。而我们所做的研究就是朝这个方向所做的一个有意义的摸索。”

　　伦敦大学学院Gatsby计算神经科学科主任Peter Dayan也十分称赞这项研究工作。他说，计算机如果实现通用型人工智能就意味着，它已经可以做到将不同任务进行关联，充分利用已掌握的技能来解决新的问题。

　　但质疑的声音自然也是存在的。英国西部大学布里斯托机器人实验室的Alan Winfield说，这项研究的确很好，但它显然没有做到更接近通用人工智能。至少，DeepMind的专家们没有透露学习能力的迁移是如何具体操作的，我们到底能不能直接运用它也都还没有定论。

　　《麻省理工科技评论》中美合作“城郭会员计划”正式发布，让您始终处于新兴技术商业趋势的最前沿。详情请点击下方图片查看↓↓↓