由于人工智能系统可以从内部模拟中提取更多知识，因此相对于传统搜索方法，例如蒙特卡洛树搜索，可以借助较少的想象步数去更好地完成任务。

　　当我们添加能协助构建计划的额外“管理”组件之后，人工智能系统可以更高效地学会用更少的步数解决问题。

　　在太空飞船任务中，人工智能系统可以分辨环境中引力的强弱，而引力的不同需要配合不同的想象步数。当人工智能系统面对多种环境模型，每种环境模型的质量和成本优势各不相同时，它可以学会做出有意义的权衡。最后，如果每步行动会导致想象的计算成本上升，那么人工智能系统就会提前想象多个连锁行为产生的后果，随后持续依赖这样的计划，而不会再次展开想象。

　　能够处理不完美模型，并学会如何使规划策略适应当前状态，这是重要的研究课题。

　　我们的两篇新论文，以及Hamrick等人此前的工作考虑了这些问题。基于模型的增强学习和规划是热门研究领域，而我们仍需要进一步分析和思考，从而带来可以规模化的解决方案，帮助人工智能系统利用想象力对未来进行推理和计划。

　　OMT

　　昨天，DeepMind创始人兼CEO哈萨比斯，还在访谈中提到想象力以及神经科学和人工智能的融合借鉴。他说：。而且也发了论文~