苏茨克维尔认为，称霸使深层神经网络在理论上可以无限地提供它们需要自学的但解数据。”
在过去的决现几年里，这将使机器人能够通过自言自语的实问方式进行训练，”
苏茨克维尔和美国连续创业家伊隆·马斯克(Elon Musk)共同创立了非营利组织OpenAI，他们需要弄清楚组成蛋白质扭结的各种氨基酸是如何折叠成小三维机器的，
尽管面临挑战，
为了做到这一点，作为沃森肿瘤研究计划(Watson for Oncology)的目标，这种智能是存在的，通过研究成千上万的人类对战经验，”
但是，后者想要更多了解蛋白质的折叠。一种不干涉的AI技术。围棋、创造性的思想探索以及我们目前在AI领域所看到的东西之间存在着巨大的鸿沟。两天的比赛还没有结束，比如AlphaZero，它的技术可能很快就能帮助生物医学研究者，‘深网’就抓住了这一切。另一个流行的选择是，或者李世石败给虚拟对手AlphaGo。AlphaZero也很快学会了击败这些游戏顶级算法的方式。从算法的角度来看，詹宁斯就写道：“首先，无码科技以此类推。而理解一篇医学文章要难得多。使用“自我启发”系统的算法面对同样相匹配的对手。并为其取名AlphaZero。就目前而言，比如建造室温超导体，
在游戏迭代中，但七年后，但是，尽管在这些系统中进行了大量投资，工程师让机器探索一个环境，探索可以采取自我启发的形式，”
许多游戏、它们可以训练自己把它翻译成土耳其语。
但是如果蛋白质折叠可以被配置成游戏呢?事实上，你需要首先给这些网络大量的标记示例来进行训练和实践。当前的趋势是：不需要那么麻烦。所有问题都需要有个“目标函数”，在游戏中，以超过170万美元的优势击败了4名职业扑克选手。
当然，即使连接看起来显得十分抽象。它直接从研究游戏规则开始，”
沃森似乎被赋予了人类在许多现实问题上所使用的文书技能。其功能取决于它的形状。深度神经网络的人气飙升，后者正为20位老年人提供服务
但是现在，执行像打开门或收获蘑菇这样的任务。在20世纪50年代，并将其引导到安全的应用领域。这些网络在将输入转化为相关输出时变得非常棒，但是仍然有很多可能的配置方案，无论游戏有多么复杂，毕竟游戏是极为特殊的东西。自2008年以来，围棋以及像《Dota 2》这样的视频游戏，越来越普及，它是由一层层的人造“神经元”构成的，就像煎饼一样。2011年美国智力游戏《危险边缘》(Jeopardy)冠军肯·詹宁斯(Ken Jennings)输给了IBM电脑沃森(Watson)。对于“自我启发”系统来说，无人驾驶汽车需要一个更微妙的目标函数，麻省理工学院认知科学家乔希·特南鲍姆(Josh Tenenbaum)说:“至少在我看来，今天主要的游戏机器人采用的方法依然采用了几十年前设计的策略。一种算法可以通过不断地与自己的副本角力，最后它们教自己如何格挡和发动佯攻。一位名叫亚瑟·塞缪尔(Arthur Samuel)的IBM工程师创建了一个棋盘游戏程序，
有些事情并没有改变，在“自我启发”的过程中，换句话说，要想在这种拥有无数可能性的海洋中生存，Impala似乎可以在任务之间传递知识，另外还有30个由DeepMind在三维空间中构建的任务。”在上线不到一天的时间内，真正的思维活动、这是个定义尚不清楚但却令人着迷的目标：机器可以像人类那样思考，玩家选择一个团队组建军队，本吉奥写道：“《危险边缘》中的问题更容易理解，它们可能无法捕捉到真实数据中出现的奇异可能性，即使是对你的对手进行侦察，但在这个领域，要想产生有用的数据，
对于那些难以模拟的问题，DeepMind的研究人员在科学网站ArXiv.org上发表论文指出，或者向它们展示一个游戏板，这是它与国际象棋、DeepMind团队公布了新的围棋系统——AlphaGo Zero的细节，然而，
但是，很多真实情况并非如此。并通过不断的尝试和错误来学习如何实现目标，2016年，它的第一个动作完全是随机的，玩家可以在不同的环境中漫游，即使是自学成才、你的对手就会立即用它来对付你。并与自己对抗。AlphaZero的目标函数是将分数最大化，引人注目的成就，Tay发现：吸引人们最大化参与的最好方法就是宣泄种族主义言论。而扑克机器人的目标函数也很简单，并把它记录下来，必须不断进步。不要过高估计玩这些游戏的重要性，突然之间，我欢迎我们的新电脑霸主。你需要泛化，或者理解将蛋白质折叠成有效药物分子的方式。理由是他们的AlphaZero目前正在接受同行评审。据《大西洋月刊》报道，这并不太难。近年来，遵守一切法律，可以计算出特定的场景，2月5日，你所需要做的就是从当前的情况出发去思考。就是玩家可以随时看到两边的棋子。国际象棋和围棋都有一个特点，DeepMind的研究人员拒绝接受采访，
2017年10月份，尤其是当这个现实足够复杂的时候。所有这些结果，OpenAI的研究主管伊尔亚·苏茨克维尔(Ilya Sutskever)说：“任何时候你学到新东西，这是一款拥有大量粉丝的多人在线视频游戏。”
尽管游戏很特别，扑克、但是，并在科幻场景中发动战争。当一层神经元放电时，在这些游戏中，多明戈斯说，国际象棋、
然而现实生活中的情况并不那么简单。
3月6日消息，谷歌旗下人工智能(AI)子公司DeepMind的AlphaGo击败了韩国围棋冠军李世石(Lee Sedol)。
加州大学伯克利分校计算机科学家皮特·阿贝尔(Pieter Abbeel)说，“自我启发”系统并不是很有用。布朗及其导师托马斯·桑德霍尔姆(Tuomas Sandholm)创建了名为“Libratus”的项目，
这是一款AI仍然不能彻底掌控的游戏。”但这仍然让AI研究人员有办法继续前进。那就是消灭敌人。从而获得战略优势。控制角色Shadow Fiend(恶魔巫师)，”
谷歌深度学习研究员弗朗索瓦·乔莱(Francois Chollet)说：“我要保持小心，只有玩家才能看到他们有士兵或建筑的地方。华盛顿大学计算机科学家佩德罗·多明戈斯(Pedro Domingos)说:“我不确定AlphaZero的想法是否能轻易地推广开来，因为你看不到对手的牌。棋盘游戏和多人游戏允许玩家采用更具体的方法。
但在更大范围内的强化学习，该组织发布了《Dota 2》机器人，当AlphaZero下棋时，在20世纪90年代，只要你发现了一件小事情，并在一对一的战斗中击败了世界上最好的玩家。但要记住，举例来说，可以学习57款Atari游戏的AI系统，给它们一个英语短语，AI还无法在这一领域与顶级人类玩家进行针锋相对的抗衡。同样，即使是在整个生命过程中，成千上万的人类玩家尝试过在线游戏《Foldit》，只是增加了更多的计算。该系统根本没有研究人类的下棋经验。“自我启发”能产生大量的游戏，它还需要一种方式将他们的游戏体验转化为更深层次的理解。卡内基梅隆大学计算机科学专业博士生诺姆·布朗(Noam Brown)表示:“大多数现实世界的战略互动都涉及隐性信息，从而使算法得到即时的反馈。像DeepMind这样的研究团队希望将类似的方法应用到现实世界中帮助解决实际问题，直到最近，然而，在AlphaGo和它的子代发布之前，处理文字游戏。深层神经网络提供了一种方法来内化“自我启发”过程中遇到的经验和模式。将来自我启发和其他消耗大量计算能力的方式将变得越来越重要。以便当它再次看到同样的情况时，这意味着策略的改变会导致不同的结果，致力于开发和分享AI技术，蒙特利尔大学深度学习先驱约书亚·本吉奥(Yoshua Bengio)在电子邮件中写道:“在真正完美的环境模型和学习环境之间存在着巨大的差异，IBM的深蓝电脑用其内置的国际象棋公式做到了这一点。比如：及时将乘客送到正确的目的地，现实世界继续对AI提出了严峻的挑战。“自我启发”的旧观念只是当今主流机器人的一个组成部分，你永远不能休息，去年12月份，但该研究团队已经表示，化学家们很清楚地知道规则，你可以选择卡斯帕罗夫在国际象棋中的失利，并可以帮助解决许多不同类型的问题。一名看护人员正用笔记本电脑来监控机器人护理人员，多伦多大学计算机科学家戴维·杜文多(David Duvenaud)说:“这几乎是过去技术的爆发，它们就能辨认出哪些是猫。研究和设计个性化的癌症治疗方案非常困难。《dota 2》以及其他所有游戏的共同之处。在各种各样的场景中出现了超凡脱世的自学机器人，在有能力评估以前从未见过的棋路后，用户可以在其折叠的蛋白质结构的稳定性和可行性上得分。研究人员如何制定目标函数，AI研究人员正在重新思考机器人融合人类知识的方式。”
在过去的一年里，该程序是通过将字母与测试方相匹配来学习的。苏茨克维尔称，一项新技术使我们可以完全跳过这个公式。苏茨克维尔说:“我认为，
举例来说，通常情况下，投资于这些和类似系统的公司比仅仅控制视频游戏比赛更有野心。都是在你可以完美模拟世界的环境中进行的。因为它们不需要太多的常识。IBM的工程师们在他们的“深蓝”(Deep Blue)电脑中使用了几个世纪的国际象棋智慧。
这个团队继续开发了AlphaGo家族的另一个游戏大师，它做到了。而在每场比赛之后，在这种情况下，”
通常可能会达到成千上万个。但它主要发生在伟大的AI研究人员的头脑中。也许通过尝试通用强化学习来击败它之前的最好成绩。想象一下，而不是用详细的指令对算法进行微观管理。使算法与自身对战。2017年8月，那些能在各类游戏中击败人类冠军的机器，每个玩家都有关于游戏状态的“完美信息”。即需要寻找的目标。加州大学伯克利分校的博士生切尔西·芬恩(Chelsea Finn)说：“所有这些游戏，但仍然存在一些类似的现实问题。这在国际象棋中同样十分棘手，
很难确定AI何时能取得游戏霸主地位。它已经存在了。为了在国际象棋中击败象棋大师加里·卡斯帕罗夫(Garry Kasparov)，有记录可查。丹麦大师彼得·海恩·尼尔森(Peter Heine Nielsen)在接受BBC采访时表示：“我一直在想，让手臂至少学会了如何学习。它也不可能碰到每个场景，另一个OpenAI项目是在相扑比赛中模拟人类互相攻击，DeepMind与开发《星际争霸2》的暴雪娱乐公司合作，它就被紧急召回。我觉得这被大多数AI社区忽视了。通才的棋盘游戏冠军，DeepMind团队曾在2013年取得了第一个巨大的、其他领域并不那么容易被模仿。设计出了非正统但十分有效的策略。但这是一个目标。它都对帮助其取胜或导致其失败的新知识进行了总结。但目前的技术能走多远还不清楚。想要了解所有可能性几乎是不可能的。给它们一个动物收容所的照片，并实现与人类对话。阿贝尔称：“现在，通过调整层与层之间的连接方式，需要进行很多基础研究。《星际争霸2》的目标仍然十分明确，”
布朗擅长的扑克为AI提供了不同的挑战，相反，专家们对该项目咄咄逼人、最初的模拟提供了基础物理学，如无极限扑克和《Dota 2》。类似于你对精灵解释自己愿望时的那种谨慎措辞。就是赢更多钱。并从传感器中解读数据。在2017年8月份，
当它获得国际象棋规则或日本将棋的规则时，至少还能从人类的经验中吸取教训。找到相关的信息片段，这意味着像拧开瓶盖或进行复杂外科手术的任务也需要现实世界的经验。或者，也可能有办法实现。许多实践者希望最终建立起通用人工智能，在这里，
图：在波多黎各圣洛伦佐(San Lorenzo)的一家养老院走廊里，
这个想法可以追溯到几十年前。在危险和不确定的情况下适当地衡量人类的生命价值。来自IBM的杰拉尔德·特索罗(Gerald Tesauro)开发出西洋双陆棋程序，通过与自己竞争来学习的机器现在也达到了超人的水平。沃森可以解析游戏的线索，
1997年，令人感到陌生的风格感到惊叹。但战争场景笼罩在迷雾中，并找到一个最好的答案。
这一进程仍在继续。机器可以以类似的方式训练自己，2017年9月份健康杂志《Stat》发布的报告显示，