科學效法自然：微軟研究人員測試AI控制的滑翔機

　　2017-08-17 17:08操作系統/微軟

　　

　　編者按：正如一顆蘋果砸出了萬有引力，自然界所有存在的事物和現象都有其科學合理的一面，小小的鳥兒也能夠給科學帶來豐富的靈感和啟示。

　　最近，微軟研究人員從自然出發，研究鳥類能夠自由停留在空中的科學原理，並以此為基礎創建了一套系統，藉助人工智慧讓滑翔機像鳥類一樣在無須馬達的情況下實現空中停留。和目前大多數AI系統不同的是，這套系統更加複雜，但結果卻非常令人驚喜，理論上可以實現無限翱翔。

　　歡迎來到人工智慧課堂之走進自然，為大家揭開這款無限滑翔機的神秘面紗。本文譯自「Science mimics nature: Microsoft researchers test AI-controlled soaring machine」，

　　近日，微軟研究團隊的兩名成員Jim Piavis和Rick Rogahn在內華達州霍桑的小型機場內進行了一項「無限滑翔機」的飛行試驗，他們希望能夠創建一個系統，藉助人工智慧，讓滑翔機像鳥類一樣，自主發現和捕捉自然產生的熱氣流，在無須馬達的情況下停留在空中。

　　微軟首席研究員Ashish Kapoor表示：「鳥類之所以能夠在空中實現飛行和停留的無縫銜接，最重要的就是藉助自然的力量。他們僅憑花生米那麼小的大腦就做到了這一點。」

　　

　　鳥類能夠本能地做到在空中停留，但對於一台機器而言，則需要一套複雜的AI演演算法，以識彆氣溫、風向和禁飛區域等要素。同時，系統必須使用其他AI手段來分析這些信息，並實時預測下一個可以利用的熱氣流。總而言之，這比人們目前所使用的照片人臉識別和語句單詞識別等大多數面向單一任務的AI系統要複雜得多，它可能是少數在現實世界中運行的不僅要進行預測而且還要根據預測結果採取行動的AI系統之一。

　　目前，無限滑翔機仍在開發當中，但最終它可以用於執行各種實用任務，例如監測農村地區的農作物生長，或者在條件艱苦地區提供移動網際網路服務等。Kapoor說：「有朝一日，它可能成為你的移動通信信號塔，你不再需要任何地面基礎設施。」滑翔機最終甚至可以使用太陽能或風力發電獲得能源，理論上可以無限期地在空中停留。

　　

　　

　　現實世界中的AI：零錯容忍

　　自主滑翔機本身就已經大有用武之地，但負責項目研究及工程開發工作的微軟研究員Andrey Kolobov表示，他們希望這項研究還可以應用於大量其它依賴人工智慧且日益複雜的系統，並將能夠在真實而不可預測的環境中運行。「對於我們而言，這架滑翔機是一個技術測試平台，用於測試未來十年內任何智能系統的核心技術。」

　　

　　對於那些依靠AI來幫助駕駛汽車、保護住宅安全或管理繁忙日程的人而言，這些系統必須根據交通流量、噪音、天氣等變數，甚至包括人類情感等其它條件，能夠當場做出可靠的複雜決策。更重要的是，它們決不能犯那些會引發重大損失和潛在危險的錯誤。在研究領域中，這種能力被稱為在不確定性條件下進行序貫決策。

　　Kolobov說：「現實世界中的AI不允許有犯錯誤的餘地——就像我們的滑翔機一樣。真正的問題在於『你如何提前幾步規劃未來？』從計算科學的角度上看，這是一個非常困難的問題。」

　　

　　

　　理論付諸行動：有效模型+有效手段

　　本次實驗中測試的滑翔機依靠電池來運行機載計算設備和方向舵以及與地面聯絡的無線電台等控制系統。它還備有一台馬達，以便飛手可以在必要時接管，進行手動操作。但是在設計上，一旦升空后，它就應該自主運行，發現和利用熱氣流飛行，不需要馬達或人工幫助。Kolobov說：「我們要做的是確保滑翔機完全自主運行，而且足夠聰明，能夠改變飛行方向。」

　　為了設計這套系統，研究團隊從一個框架入手，來解決一個被稱為「部分可見馬爾可夫決策過程」的問題。Kolobov曾與他人共同撰寫了一本關於馬爾可夫決策過程的書，他說，這是一個旨在無法了解所有信息的情況下做出規劃決策的模型。通過滑翔機實驗，團隊將這個模型與另一種AI手段（貝葉斯強化學習）相結合，開創了一種新方法，能夠讓系統儘快掌握其所處環境所需的信息，以便做出正確的決策。團隊還使用了「蒙特卡羅樹型搜索」的方法來尋求最優方案。

　　

　　從左至右：Debadeepta Dey、Andrey Kolobov、Rick Rogahn、Ashish Kapoor、Jim Piavis

　　滑翔機的AI系統可分為兩部分：高級規劃器和低級規劃器。高級規劃器將所有的環境因素納入考慮，並嘗試製定一項策略，以便讓滑翔機知道應該去哪裡尋找熱氣流。隨著時間推移，飛行器將能夠根據每次升空所收集的信息，做出更好的預測。Kolobov說：「對於高級規劃器而言，經驗十分重要。系統今天的表現會比昨天更好，因為它（在決策中）納入了既往飛行的信息。」

　　低級規劃器部分可以說是「在實幹中學習」，它使用貝葉斯強化學習方法，根據滑翔機感測器發回的數據實時偵測和鎖定熱氣流。

　　

　　

　　實測：與模擬截然不同的全新體驗

　　團隊在微軟位於華盛頓州雷德蒙的園區辦公室內花了好幾個月時間創建這些AI演演算法。隨著天氣轉暖、熱氣流狀況越來越好，該團隊在公司總部附近的農場進行了受限飛行測試。然而，直至8月中旬他們來到內華達州霍桑的那座小型機場，才真正有機會見證他們的各項理論在現實世界中的表現如何。

　　在滑翔機飛行過程中，研究員們開著一輛敞篷吉普和一輛加長SUV在地面實時跟蹤。坐在吉普車上的同事們用肉眼觀察滑翔機的位置。而研究實習生Iain Guilliard和Sangwoo Moon（兩人都參與編寫了驅動系統的核心演演算法）則在SUV里使用四台筆記本電腦跟蹤滑翔機動向，並監測它如何利用包括熱氣流在內的各項條件，每隔幾秒鐘，Guilliard就會大聲報出滑翔機的飛行參數。而編寫了滑翔機熱氣流預測模塊的微軟研究員Debadeepta Dey，和Kolobov輪流駕駛著這輛SUV，作為移動辦公室，緊跟在吉普車和滑翔機之後。

　　

　　從左至右：Kolobov、Iain Guilliard 、Sangwoo Moon

　　除了捕捉熱氣流之外，系統還需要規劃自身飛行路線，以躲避某些障礙，例如附近的山脈、大型湖泊以及美國陸軍在試飛地點附近地區的數十個彈藥存放點。現實世界環境的複雜，以及在辦公室里無法預測的各種障礙，為這個系統提供了完美的測試場所。

　　事實上，他們遭遇的許多問題與AI並沒有任何關係。例如，接受測試的最大的一台滑翔機就遇到了通信系統故障，研究團隊懷疑是因為道路灰塵中的磁性顆粒導致了電子部件損壞。在一次測試中，滑翔機馬達出現了故障，他們試圖用彈力繩將滑翔機拴在汽車上進行發射時，彈力繩又斷了。

　　

　　每遇到一次挫折，團隊都會耐心地設法找到解決方案：修理馬達、連結彈力繩、尋找新電池組、當一架滑翔機無法繼續服役時就拉出另外一架……Kolobov說，正是現實世界中的這些問題才吸引了如此眾多的人來參與這個項目。這也是為什麼他們不會因為遇到每一個意想不到的挫折而氣餒的原因。

　　「現實與模擬不同，」Kolobov說：「這是我們到這裡來的原因。我們來到這裡學習，儘管現在學到的並不一定符合我們最初的期望，但仍然非常值得。」

　　

　　

　　「演演算法比我還厲害」

　　8月11日，團隊在霍桑機場進行了最後一次彙報。在大約一小時前的最後一次試飛中，剛開始，演演算法完全按照預期方式完成了預定任務，將滑翔機送上了藍天，但隨後電池組意外失效，滑翔機以驚人的速度俯衝向地面。作為人類飛手的Rogahn在最後時刻重新獲得滑翔機的操控，在飛行器距離地面只有幾英寸的時候避免了墜毀。

　　

　　「在室內戴牛仔帽並不禮貌，但剛才的經歷讓我覺得自己已經馴服了幾頭公牛，」Rogahn在作彙報時說道。儘管如此，他還是摘下帽子，認真地表示：「今年夏天，我們還是達到了這樣一個境界——AI演演算法已經比作為滑翔機飛手的我更厲害了。」

　　

　　如果您覺得，自己在微軟某項技術上實踐的特別好，不講可惜；

　　如果您覺得，自己工作中的某些場景使用了多種微軟技術，是行業裡面最棒的解決方案，不講可惜；

　　如果您覺得，自己對微軟的某項黑科技特別有心得，不講可惜！

　　微軟技術暨生態大會將是您理想的舞台！我們誠摯的歡迎您，立即報名！您也許正是萬眾期待的英雄講師！點擊上方圖片或此鏈接重磅招募 | 2017微軟技術暨生態大會英雄講師召集令查看詳情。