?
墊腳石原理是一種將創(chuàng)造力注入人工智能的方法。 （圖片來自Kevin Hong，Quanta Magazine）
導(dǎo)語近年來，神經(jīng)網(wǎng)絡(luò)借鑒了生物學(xué)策略的相關(guān)理論知識，實現(xiàn)了大飛躍，完成了之前無法完成的任務(wù)。神經(jīng)進化作為人工智能的一個研究領(lǐng)域，試圖通過進化算法而非隨機梯度下降來設(shè)計和構(gòu)建神經(jīng)網(wǎng)絡(luò)。然而，神經(jīng)進化存在兩大難題：高昂的計算成本和不明確的目標。最近，基于墊腳石原理的神經(jīng)進化算法終于成功克服這些挑戰(zhàn)，帶來了新的研究思路：忽略目標比直接追求目標能更快速實現(xiàn)目標。忽略目標或許是制造真正智能機器的最佳方法。
從外星人的臉到跑車，這中間發(fā)生了什么？2007年，中佛羅里達大學(xué)（University of Central Florida）的計算機科學(xué)家 Kenneth Stanley在玩他和學(xué)生們創(chuàng)建的網(wǎng)站Picbreeder時，一個外星人圖案變成了賽車圖案，這個發(fā)現(xiàn)改變了他的生活。
在Picbreeder上，用戶會看到一組15張相似的圖片，它們由幾何形狀或漩渦形狀的圖案組成，這些圖案都是同一主題的變種。有時，一些圖案就像一個真實的物體，比如一只蝴蝶或一張臉。用戶被要求選擇一張圖片，他們通常會點擊自己覺得最有趣的東西。完成操作后，屏幕內(nèi)容會根據(jù)他們的選擇做出變化，出現(xiàn)一組新的圖片。從這種游戲性的探索中，產(chǎn)生了許多奇特的設(shè)計。
Picbreeder （一個在線藝術(shù)創(chuàng)作網(wǎng)站，允許圖片像動物一樣繁殖演化）
網(wǎng)址：http://picbreeder.org/index.php
picbreeder官網(wǎng)截圖
Stanley是神經(jīng)進化（neuroevolution）這個人工智能領(lǐng)域的先驅(qū)，神經(jīng)進化利用生物進化原理來設(shè)計更智能的算法。對于Picbreeder來說，每張圖片都是由一個類似于神經(jīng)網(wǎng)絡(luò)的計算系統(tǒng)產(chǎn)生的。當(dāng)選擇一張圖片，生成新的15張圖片時，被選擇的圖片對應(yīng)的神經(jīng)網(wǎng)絡(luò)會突變?yōu)?5個略有不同的變種，每個變種分別產(chǎn)生一張新圖片。Stanley并沒有打算讓Picbreeder做出什么特別的東西，他只是有一種預(yù)感，依靠這個發(fā)現(xiàn)，也許能讓他學(xué)到一些和進化論或者人工智能相關(guān)的東西。
外星人的臉（左）進化成一輛跑車（右）。 （圖片來自Picbreeder）
一天，Stanley在網(wǎng)站上發(fā)現(xiàn)了一張像外星人的臉的圖片，并開始了以它為起點的進化：選擇一張圖片，再選擇下一張圖片，這樣一直進行下去。偶然的是，外星人圓圓的眼睛開始向下移動，像一輛汽車的車輪。最后Stanley一步步進化，得出了一輛漂亮的跑車。他一直在思考這樣一個事實：如果是從零開始進化一輛車，而不是從一個外星臉的圖片開始，他可能永遠不會得到這樣的結(jié)果，因此，他想知道這個試驗對于直接去尋找問題的解來說，意味著什么?！斑@對我的整個人生產(chǎn)生了巨大的影響?！彼^察Picbreeder上出現(xiàn)的其它有趣的圖片，追蹤了它們的演化軌跡，意識到幾乎所有圖片都是通過看起來完全不同的方式進化而來的。Stanley說：“看到這些跡象，我被震驚了?！?/p>墊腳石原理：神經(jīng)進化新思路
Stanley的發(fā)現(xiàn)促成了他所稱的“墊腳石原理”（steppingstone principle），并以此為基礎(chǔ)設(shè)計了一種算法，該算法可以更充分地發(fā)揮生物進化的無限創(chuàng)造潛力。
進化算法已經(jīng)存在很久了。傳統(tǒng)上，它們被用來解決特定的問題。在進化主體的每一代中，都會依據(jù)某種度量標準（例如，控制兩足機器人的能力），選取表現(xiàn)最佳的解決方案，然后讓其產(chǎn)生后代。盡管這些算法取得了一定的成功，但與其它方法（如近年來廣泛流行的深度學(xué)習(xí)）相比，它們所需的計算量更大。
墊腳石原理超越了傳統(tǒng)的進化方法，它不是針對特定目標展開優(yōu)化，而是對所有可能的解決方案進行創(chuàng)造性的探索，這促使它取得突破性的成果。今年早些時候，一個基于墊腳石原理的系統(tǒng)在一個視頻游戲中應(yīng)對自如，而兩個流行機器學(xué)習(xí)方法都對此無能為力。在近期Nature雜志發(fā)表的一篇論文中，DeepMind（率先將深度學(xué)習(xí)應(yīng)用于圍棋等問題的一家人工智能公司）稱，該系統(tǒng)成功地將深度學(xué)習(xí)與一組具有多樣性的解決方案的進化結(jié)合起來。
論文題目：
Grandmaster level in StarCraft II usingmulti-agent reinforcement learning
論文地址：
http://doi.org/10.1038/s41586-019-1724-z
星際爭霸游戲
通過與生物進化進行類比，我們可以看到“墊腳石”的潛力。在自然界中，生命的進化是沒有任何總體目標的，用于一個目標的特性可能會被用于完全不同的目標。例如，羽毛可能是為了保暖而進化出來的，后來才進化的便于飛行。
生物進化同時也是產(chǎn)生人類智能的唯一系統(tǒng)，實現(xiàn)人類水平的智能是許多人工智能研究者的終極夢想。受生物的進化歷程啟發(fā)，Stanley和其他人已經(jīng)相信，要使算法能夠像人類一樣輕松地（甚至更好地）在物理世界和社交世界中穿行，需要模仿大自然的策略。他們認為，不能對推理的規(guī)則進行硬編碼，或讓計算機學(xué)會在特定的性能指標上獲得高分，而是必須讓一組解決方案蓬勃發(fā)展進化。讓它們優(yōu)先追求新穎性（novelty）或趣味性（interestingness），而不是像走路或說話的能力這樣的具體目標。這樣它們可能會發(fā)現(xiàn)一條間接的道路，一些墊腳石，相比直接通過進化尋求走路和說話這些技能，墊腳石算法最后能更好地完成走路和說話這樣的任務(wù)。
新穎性搜索：以新穎性為目標的神經(jīng)進化算法在Picbreeder之后，Stanley開始論證神經(jīng)進化可以克服其最顯著的反對意見：“如果我運行的算法具有這樣高的創(chuàng)造力，以至于我都不確定它會產(chǎn)生什么，從研究的角度來看，這是非常有趣的，但從商業(yè)的角度來看，這很難找到具體的應(yīng)用場景?！?/p>
他希望能證明，僅僅追尋著新奇的想法，并以此為進化方向，那么算法不僅可以產(chǎn)生多種多樣的結(jié)果，而且可以解決問題。更大膽地講，他的目標是證明，完全忽略某個目標比直接追求它更能讓你快速達到目標。他通過一種叫做新穎性搜索（novelty search）的方法來做到這一點。
介紹新穎性搜索方法（novelty search）的論文：
Abandoning Objectives: Evolution Through the Search for Novelty Alone
論文地址：
https://www.mitpressjournals.org/doi/abs/10.1162/EVCO_a_00025
這個系統(tǒng)以一個神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)。神經(jīng)網(wǎng)絡(luò)是由多個神經(jīng)元（小的計算單元）層層連接排列組成，一層神經(jīng)元的輸出通過具有不同權(quán)重的連接傳遞到下一層。舉一個簡單的例子，輸入數(shù)據(jù)（例如圖像）到神經(jīng)網(wǎng)絡(luò)中，隨著圖像信息的層層傳遞，網(wǎng)絡(luò)提取的內(nèi)容信息越來越抽象。最終，最后一層計算出最高級別的信息：圖像的標簽。
在神經(jīng)進化中，你首先要將各層之間的權(quán)重初始化為隨機值。這種隨機性意味著網(wǎng)絡(luò)不能很好的完成任務(wù)。但是，從這種令人遺憾的狀態(tài)出發(fā)，你可以創(chuàng)造一組隨機突變（random mutations），也就是權(quán)重略有不同的后代神經(jīng)網(wǎng)絡(luò)，并評估它們的能力。你保留最優(yōu)秀的一個神經(jīng)網(wǎng)絡(luò)，然后重復(fù)以上過程產(chǎn)生更多的后代。（更高級的神經(jīng)進化策略還會在神經(jīng)元和連接的數(shù)量和排列方面引入突變。）神經(jīng)進化是一種元算法（meta-algorithm），一種用于設(shè)計算法的算法。最終，這些算法可以有不錯的表現(xiàn)。
對于Uber人工智能實驗室和中佛羅里達大學(xué)的計算機科學(xué)家Kenneth Stanley而言， 墊腳石原理可以解釋創(chuàng)新。
為了測試這個墊腳石原理，Stanley和他的學(xué)生Joel Lehman調(diào)整了選擇過程。新穎性搜索不選擇那些在任務(wù)中表現(xiàn)最佳的網(wǎng)絡(luò)，而是選擇那些與父輩行為顯著不同的網(wǎng)絡(luò)。(在Picbreeder中，人們傾向于趣味性；而在這里，新穎性搜索傾向于新穎性。)
在一次測試中，他們將虛擬的輪式機器人放到迷宮中，不斷進化用來控制它們的算法，希望它們能找到出口。他們從0開始進化了40次。在一個用來對比的程序中，控制算法是根據(jù)它們離出口的距離（直線距離）來選擇的，這個對比程序進化出的機器人在40次中只成功3次。而新穎性搜索完全忽略每個機器人離出口的距離，成功39次。成功的原因是機器人設(shè)法避開了死胡同。它們沒有面向出口，也沒有用頭撞墻，而是探索了陌生的領(lǐng)域，找到了解決辦法，最后意外地獲得成功。紐約大學(xué)的計算機科學(xué)家Julian Togelius說：“新穎性搜索很重要，因為它顛覆了一切，本質(zhì)上就是在問，如果我們沒有目標，會發(fā)生什么?！?/p>
Stanley提出自己的觀點，追求目標可能成為實現(xiàn)這些目標的阻礙。后來，他找到了巧妙的方法來將新穎性搜索與特定目標結(jié)合起來。這促使他和Lehman創(chuàng)建了一個用以模擬自然界進化中特定生態(tài)位（niche）的系統(tǒng)。在這種方法中，算法只與其它類似的算法競爭。正如蠕蟲不與鯨魚競爭一樣，該系統(tǒng)讓處在獨特的“算法生態(tài)位”的算法獨立進化，使得從中得以涌現(xiàn)出各種有前景的方法。
這種帶有局部競爭（ localized competition）的進化算法已經(jīng)顯示出熟練處理像素、控制機械手臂以及（如Nature雜志封面所描述的）幫助六足機器人像動物一樣在失去肢體后快速調(diào)整步態(tài)的能力。這些算法的一個關(guān)鍵因素是它們培育了墊腳石。他們不是始終優(yōu)先考慮一個整體最佳解決方案，而是保持了一組多樣化的充滿活力的小的局部生態(tài)，其中任何一個都可能會對最終的解做出貢獻。而最佳解決方案可能產(chǎn)生于一個在不同小生態(tài)之間跳躍的算法。
墊腳石原理克服了神經(jīng)進化的缺點介紹帶有局部競爭的進化算法的相關(guān)論文
論文題目：
Evolving a diversity of virtual creaturesthrough novelty search and local competition
論文網(wǎng)址：
https://dl.acm.org/citation.cfm?id=2001606
Nature 封面報道：
Press material for "Robots that canadapt like animals"
論文網(wǎng)址：
https://members.loria.fr/JBMouret/nature_press.html
對于Stanley（現(xiàn)在在Uber人工智能實驗室工作）來說，墊腳石原理解釋了創(chuàng)新：如果你帶著一臺現(xiàn)代電腦回到過去，告訴研發(fā)真空管的人，放棄它們的研究，然后開始研發(fā)筆記本電腦，那么我們將不會擁有真空管，也不會擁有筆記本電腦。這也解釋了進化：我們是從扁形蟲進化而來的，扁形蟲并不是特別聰明，但具有兩側(cè)對稱性（bilateral symmetry）。Stanley說：“目前還不清楚兩側(cè)對稱性與智能有什么關(guān)系，更不用說與莎士比亞有什么關(guān)系，但這之間確實是相關(guān)的?！?/p>
在過去的十年中，神經(jīng)進化經(jīng)歷了意想不到的曲折過程。長期以來，它一直生活在其它人工智能領(lǐng)域的陰影之下。
德克薩斯大學(xué)奧斯汀分校（University of Texas，Austin）的計算機科學(xué)家Risto Miikkulainen（同時也是Stanley的前博士生導(dǎo)師）表示，神經(jīng)進化這種方法最大的缺點之一就是它所需要的計算量。在傳統(tǒng)的機器學(xué)習(xí)中，當(dāng)你訓(xùn)練一個神經(jīng)網(wǎng)絡(luò)時，它會逐漸變得越來越好。而在神經(jīng)進化中，權(quán)重隨機變化，網(wǎng)絡(luò)的性能可能會比變化之前更差。
另一個缺點也很顯然，大多數(shù)人都有一個想解決的特定問題。這種針對趣味性進行優(yōu)化的搜索策略可能會讓你為該問題找到一個創(chuàng)造性的解決方案，但是也可能把你引入歧途，找不到正確的解決方案。
話又說回來，沒有什么策略是完美的。在過去五年左右的時間里，人工智能不同領(lǐng)域的研究如深度學(xué)習(xí)和強化學(xué)習(xí)呈現(xiàn)爆炸式增長。在強化學(xué)習(xí)中，算法與環(huán)境相互作用（例如，機器人在現(xiàn)實世界中穿行，AI玩家在游戲中競爭），通過反復(fù)試驗來學(xué)習(xí)哪些行為會產(chǎn)生期望的結(jié)果。Deepmind使用深度強化學(xué)習(xí)開發(fā)了一個程序，可以在圍棋上擊敗世界上最好的棋手。在此之前，許多人認為這一壯舉還需要幾年或幾十年的時間才可能實現(xiàn)。
但是強化學(xué)習(xí)可能會陷入困境。稀疏或不頻繁的獎勵不能給算法足夠的反饋，無法使算法朝著目標前進。欺騙性獎勵（即阻礙長期進步的短期收益）也會使算法陷入死胡同。因此，盡管強化學(xué)習(xí)可以在《Invaders》或《Pong》這些加分頻繁且目標明確的游戲中擊敗人類，但在其它缺乏這些特性的經(jīng)典游戲中，它們卻表現(xiàn)平平。
基于墊腳石原理的神經(jīng)進化算法是深度學(xué)習(xí)方法的補充在過去的一年里，基于墊腳石原理的人工智能最終成功克服了該領(lǐng)域中許多長期存在的挑戰(zhàn)。
在游戲《Montezuma’s Revenge》中，Panama Joe穿梭于地下迷宮中的各個房間，收集開門的鑰匙，同時避開敵人和障礙物，如蛇和火坑。為了打贏這個游戲，Stanley、Lehman、Jeff Clune、Joost Huizinga和Adrien Ecoffet（這五個人都在Uber人工智能實驗室工作）開發(fā)了一個系統(tǒng)，在這個系統(tǒng)里，Panama Joe基本上四處游蕩，隨機嘗試各種行動。每次到達一個新的游戲狀態(tài)（即到達一個新的位置，有一套新的道具），他都會把到達這個狀態(tài)所采取的一系列行動歸檔存入記憶中。如果他后來找到一條更快的路徑來到達那個狀態(tài)，那么舊的記憶就會被替換掉。在訓(xùn)練期間，Panama Joe不斷挑選一個存儲狀態(tài)，隨機地探索一會兒，并將他發(fā)現(xiàn)的所有新狀態(tài)添加到記憶中。
電子游戲《Montezuma’s Revenge》于1984年首次發(fā)行，獎勵開放式探索。
最終，這些狀態(tài)中，出現(xiàn)了一個贏得比賽的狀態(tài)。Panama Joe的記憶中記載著他為實現(xiàn)目標所采取的所有行動。他沒有使用神經(jīng)網(wǎng)絡(luò)或強化學(xué)習(xí)（收集鑰匙或接近迷宮出口時沒有獎勵）就實現(xiàn)了目標，只是通過隨機探索和尋找巧妙的方法來收集和連接墊腳石。這種方法不僅擊敗了最好的算法，還打破了人類的世界紀錄。
同樣的技術(shù)，研究人員稱之為Go-Explore，在《Pitfall》游戲中擊敗了人類專家！在這個游戲中，Pitfall Harry在叢林中穿行尋找寶藏，同時避開鱷魚和流沙。沒有用其它機器學(xué)習(xí)方法，Go-Explore得分就超過0。（Go-Explore是第一個得分超過0的算法。）
介紹Go-Explore技術(shù)論文：
論文題目：
Evolving a diversity of virtual creaturesthrough novelty search and local competition
論文網(wǎng)址：
https://dl.acm.org/citation.cfm?id=2001606
DeepMind被認為是強化學(xué)習(xí)的研發(fā)核心，現(xiàn)在也對神經(jīng)進化越來越感興趣。1月份時，該團隊展示了AlphaStar軟件，這款軟件可以在復(fù)雜的視頻游戲《星際爭霸II》中擊敗頂尖的職業(yè)選手。在這個游戲中，兩個對手控制著軍隊，通過建立殖民地來統(tǒng)治數(shù)字世界的領(lǐng)地。AlphaStar進化出了一群互相競爭、互相學(xué)習(xí)的玩家。在上周的Nature雜志上，DeepMind的研究人員宣布，最新版本的AlphaStar已經(jīng)在一個流行的游戲平臺上《星際爭霸II》活躍玩家中排名前0.2%，成為第一個在不加入額外限制的前提下，登上流行電子競技頂端的人工智能。
AlphaStar軟件介紹：
https://deepmind.com/blog/article/alphastar-mastering-real-time-strategy-game-starcraft-ii
參與了這個項目的DeepMind的計算機科學(xué)家Max Jaderberg說：“與AlphaStar合作的很長一段時間里，它一直在進步，但它仍然可以繼續(xù)被改進。你可以訓(xùn)練一個智能體（agent），它的平均表現(xiàn)非常好，但你總是可以訓(xùn)練出另一個智能體來對付它，然后找出它的漏洞?！?/p>
與兒童游戲剪刀布游戲一樣，《星際爭霸II》中沒有最佳的游戲策略。因此，DeepMind鼓勵它的智能體進化出多樣化的策略——不是作為墊腳石，而是作為目標本身。AlphaStar將五個不同的智能體的策略結(jié)合起來，最終以五比零擊敗兩個職業(yè)選手。選擇五個智能體，是為了保證對手的任何一個策略都不會影響到所有的智能體。它們的優(yōu)勢在于它們的多樣性。
懷俄明大學(xué)的計算機科學(xué)家Jeff Clune認為開放式發(fā)現(xiàn)可能是實現(xiàn)人類水平的人工智能的最快方法。
Alphastar演示了進化算法的一個主要用途：保持大量不同的解決方案。最近另一個DeepMind項目展示了它的另一個用途：優(yōu)化單個解決方案。該團隊與Alphabet的自動駕駛汽車項目Waymo合作，開發(fā)識別行人的算法。為了避免陷入一種效果很好但不是最佳策略的方法，他們保留了“小生境”或亞群體，這樣使得新穎的解決方案在被頂尖的解決方案淘汰之前有時間發(fā)展。
近年來，基于種群的算法（Population-based algorithms）變得越來越流行，DeepMind的科學(xué)家兼機器人負責(zé)人Raia Hadsell使用計算資源的行業(yè)標準術(shù)語解釋說：“部分原因是它們與我們現(xiàn)在擁有的計算機類型非常匹配?！盚adsell邀請Clune、Lehman和Stanley在6月份的機器學(xué)習(xí)國際會議（International Conference on Machine Learning，ICML）上做了兩個小時的演講，介紹他們的工作。Hadsell說：“我認為這是人工智能中很重要的研究領(lǐng)域，因為它是和推動人工智能發(fā)展的深度學(xué)習(xí)方法具有互補性?！?/p>POET算法：用人工智能設(shè)計人工智能
到目前為止討論到的所有算法的創(chuàng)造力都是有限的。AlphaStar只能提出關(guān)于《星際爭霸II》的新策略。新穎性搜索一次只能在一個領(lǐng)域內(nèi)（解迷宮或者步行機器人）找到新穎性。
然而，生物進化產(chǎn)生了無窮無盡的新穎性。細菌，海藻，鳥類和人類的出現(xiàn)，是因為解決方案在不斷更新，同時問題也在不斷演變。例如，長頸鹿是對樹木變高帶來的問題的回應(yīng)。人類的創(chuàng)新也是如此。我們給自己創(chuàng)造了問題（例如我們能把人送上月球嗎？）然后解決它們。
為了重現(xiàn)問題和解決方案之間的這種開放式對話，今年早些時候，Stanley、Clune、Lehman和Uber的另一位同事Rui Wang發(fā)布了一個名為POET（Paired Open-Ended Trailblazer）的算法。為了測試該算法，他們開發(fā)了一群虛擬的兩足機器人。他們還為機器人開發(fā)了包含許多障礙的訓(xùn)練場，其中包括小山、溝渠和樹樁。這些機器人有時會互換位置，嘗試新的地形。例如，一個機器人學(xué)會了拖著膝蓋穿越平坦的地形，然后它被隨機地轉(zhuǎn)移到有短樹樁的地方，在那里它必須學(xué)會直立行走。當(dāng)它再次被轉(zhuǎn)移回第一個障礙訓(xùn)練場時，它的完成速度要快得多。通過這種間接的途徑，機器人得以從一個難題中學(xué)習(xí)技能并將其應(yīng)用到另一個難題中。
POET詳細介紹：
https://eng.uber.com/poet-open-ended-deep-learning/
POET可以用來設(shè)計新的藝術(shù)形式，或者通過自己提出并解決新的挑戰(zhàn)來取得科學(xué)發(fā)現(xiàn)。它甚至可以走得更遠，這取決于它改造世界的能力。Stanley說，他希望建立的算法在十億年后仍然可以做一些有趣的事情。
Stanley說：“進化發(fā)明了視覺，發(fā)明了光合作用，發(fā)明了人類水平的智能，發(fā)明了一切，并且所有這些都是通過一種算法來完成的。如果能捕捉到這個過程的一點點細節(jié)，我認為可能都是非常強大的?！?/p>
在最近的一篇論文中，Clune認為，開放式發(fā)現(xiàn)（open-ended discovery）可能是通向通用人工智能最快的途徑。這里說的人工智能是指幾乎擁有人類所有能力的機器。人工智能領(lǐng)域的大部分研究都集中在人工設(shè)計智能機器的各個構(gòu)件上，比如不同類型的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和學(xué)習(xí)過程。但目前還不清楚如何將它們捆綁在一起形成一個通用的智能系統(tǒng)。
開放式發(fā)現(xiàn)與通用人工智能相關(guān)介紹pdf文檔鏈接：
https://arxiv.org/pdf/1905.10985.pdf
相反，Clune認為應(yīng)該更多地關(guān)注設(shè)計人工智能的人工智能。算法將使用類似POET這樣的方法來設(shè)計或進化神經(jīng)網(wǎng)絡(luò)和它們的學(xué)習(xí)環(huán)境。這種開放式的探索可能通過我們從未預(yù)料到的途徑（或者各種不同的智能）來實現(xiàn)人類水平的智能。Clune說：“數(shù)十年的研究教會我們，這些算法總能讓我們感到驚訝，并在智力上超過它的設(shè)計者。因此，隨著這些算法變得更加強大和開放，我們不能自大地以為我們能夠知道它們的結(jié)果?！?/p>
對研究人員施加過多的控制也可能是自大的表現(xiàn)。諷刺的是：Stanley最初向美國國家科學(xué)基金會提出Picbreeder項目時，該基金會拒絕了他的資助申請，稱其目標不明確。但是，這個項目帶來了大量論文和訪談、一本書和一家初創(chuàng)公司（Geometric Intelligence，被Uber收購，成為Uber人工智能實驗室的核心）。Stanley說：“對我來說，有一件事真的很驚人，也很瘋狂。那就是我如何走到這一步的故事，本質(zhì)上和讓我走到這一步的算法洞見是一樣的。引導(dǎo)我產(chǎn)生見解的東西，實際上就是見解本身。”
《Why Greatness Cannot Be Planned》 （圖片來自https://www.springer.com/us/book/9783319155234）
原文地址：
https://www.quantamagazine.org/computers-evolve-a-new-path-toward-human-intelligence-20191106/
翻譯：王佳純
審校：郭瑞東
編輯：張希妍
