最近，OpenAI透露，他们将在语言领域继续发力。该文的作者是Michael Kropivka，人工智能与机器学习资深研究员，AlgoBrainsLab的创始人和软件工程师。

　　这篇文章是关于发明一种与感知有关的语言的系统，它揭示了通过与人工语言相关的研究可能开启的可能性，至少这种语言将类似于动物典型的信号语言，更深层次的语言将演变成更复杂的技术。

　　世界上没有一种东西是像语言这样如此高度进化的。语言的使用能力也有所演变。这种能力出现在大约75000年前。这很简单。而我们今天所说的语言是我们的语言如何转变成口语行为。正如乔姆斯基所说，它是关于基本思维过程的次要语言。世界各地有大约6000种不同的语言。我们真正想要的是了解一个基本原则，使我们有能力获得这6000种语言的任何一种。并创建几个新的。

　　语言不光指必要的说话声音，还指更多的内在过程。它更接近一个思维过程。

　　语言在某种意义上类似视觉

　　从不同角度来看待物体的能力，与提问相关的细节或隐藏事实的能力其实是一样的。内部对话与想象的场景也同理。最有趣的部分是，两种能力在最低水平时，比平时都要接近。发现能够同时处理视觉和语言的系统是智力的基础。

　　最终目标是，通过视觉感知来形成一个识别现实的系统，然后创建抽象过程。此外，系统能够使用语言来进行抽象操作，目标是以人类思维方式连接抽象过程。

　　尽管语言和视觉是指头脑中相同的抽象概念，但所有抽象的来源都是现实，这就是为什么我们用最简单的视觉对象而不是语言来掌握抽象过程。之后，语言描述的对象变得与我们看到的一样真实。但是，如果没有机器与物理世界的交互，就无法掌握人类语言。这就是为什么OpenAI承诺要学会交流策略的原因所在。

　　进行这种研究的另一个原因是，目前将机器人置于物理世界中来学习整个环境的可能性是很小的，这需要花太多的时间。因此，通过静态数据获取语言是不可能的。唯一的办法就是要积极参与到环境中。此外，利用人类思维去进行回避实验是很难的，所以计算机模拟成为21世纪语言学研究工具的最佳候选。

　　我们的目标是创建一个了解我们的智能agent，这是非常困难的问题，自1960年以来，我们一直在研究。但是，我们还没有能够正式地去描述一种语言，因为没有语境，开奖，语言就是不存在的，环境就是这样的语境。

　　竞争与合作

　　我们已经看到，一个能够在强化学习实验中表现出令人敬畏的结果的系统，它就是利用DeepMind Q leaning来玩Atari游戏。简而言之，直播，系统有相对应的环境和agent(机器玩家)来获得分数，并且agent(机器玩家)成功地学会了如何玩得更好。

　　图：arxiv

　　AlphaGo是另一个突破，关键的区别在于游戏背后有一个对手。此外，游戏环境还有多种场景。值得一提的优秀解决方案是agent(机器玩家)与自己的副本在玩。

　　下一步将是agent(机器玩家)能够找到一种彼此合作的方式，来实现额外的价值。OpenAI研究显示，智能agent在一个完全不同的环境中表现的很好——像人类这样的相互合作的世界。

　　黑箱问题

　　内部语言会是下一个突破，以帮助管理机器学习（ML）框架的复杂性。今天我们必须付出很多努力来解释什么是ML系统，ML系统正在做什么以及为什么要这么做。 最接近人类的语言是即将到来的与ML引擎一起工作的接口。对于多用途agent，这种语言是定义目标函数的最佳方式。