“把人工智能在机构中用起来”
——o'reilly人工智能大会正在征集讲师议题，查看具体要求请点击这里，截止日期11月7日。
编者注：想了解更多的使用深度学xi来开发数字化体验的内容，请查看danny lange在2017年9月17-20日人工智能旧金山大会上的议题《使用深度学xi给游/戏、vr和ar带来生命》。 
更多人工智能内容请关注2018年4月10-13日人工智能北京大会。
游/戏开发是一个复杂且劳动密集型的工作。游/戏的环境、故事线和人物个性都需要被仔细地构建。这需要视觉艺术家、编故事的人和软件工程师一起密切协作才能完成。通常，在传统编程的形式下，游/戏会有一套专门编写的行为；或是在有大量规则组合的形式下，会以更加有反馈的行为来构成。在过去的几年间，数据密集的机器学xi解决方案已经在企业（比如amazon、netflix和uber）里消灭掉了基于规则的系统。在unity，我们已经在探索使用这样的一些机器学xi的技术，比如用深度学xi做内容构建，用深度增强学xi来进行游/戏开发。我们已经看到这一波的机器学xi和人工智能在游/戏领域的巨大潜力。
对于一些数据驱动的大型企业而言，机器学xi并不是什么新东西。2007年，当netflix发起了著/名的netflix prize竞赛，让最/好的协同过滤算法来预测用户对电影的评分时，就是我们现在所体验的对人工智能的大量媒体报道的开端。但是在2000年初，一些大企业就已经在尝试使用数据驱动的决策和机器学xi来提升业务了。amazon已经非常努力地开发他们自己的推荐算法，尝试去发现用户的偏好，进而把这些偏好转化成更高的销售业绩。广告业的技术则是另外一种早期采用机器学xi者，机器学xi被用来提升点击率（ctr）。在过去的这些年里，机器学xi技术已经成熟并扩散到非常多的行业。
例如，推荐算法已经从仅仅通过推荐来探求更多的信息发展到了探索和搜索的组合。这里的挑战是，当amazon和netflix使用推荐系统来收集数据时，如果他们仅仅是给用户推荐高得分的物品，而不是他们商品目录里的其他物品，他们获得的是一个不完整的用户偏好。这一问题的解决方案是微妙地从纯搜索变化到添加一些因素来探索。
最近，因为它们内在的可以探索和搜索的特性，诸如上下文老/虎/机这样的算法变的流行起来。这些算法可以更好地学xi到它们还不了解的客户的东西。相信我，在你访问的很多amazon网页的背后都潜伏着老/虎/机算法。我们在unity的博客上有一篇不错的文章介绍上下文老/虎/机算法的威力。里面有一个对上下文老/虎/机算法的交互展示。
在2015年初，deepmind将上下文老/虎/机算法进一步发展，并发表了一篇论文。其中介绍了一个把深度神经网络和增强学xi组合起来的大规模系统。这个系统可以精通atari的2600个游/戏里的很多个，还仅仅只是依靠原始像素和得分作为输入就能取得超越人类的水平。deepmind的家伙把探索和搜索的概念变成了兴奋剂。虽然上下文老/虎/机在学xi行为上还比较得浅，但深度增强学xi则能够学xi一系列的行为用以最/大化未来的累积收益。换句话说就是，它们可以学xi优化长期价值（ltv）的行为。在一些atari的游/戏里，ltv通常是只有人类玩家掌握的一些策略发展。看这里的一个breakout游/戏的视屏来了解这种策略发展的例子。

---

西安飞凡网络技术咨询有限公司
400 011 2010