肌肉桃 @ 2016.08.02 , 15:00
感谢候鸟对上升热气流的战略使用，它们能够在出最小力扇翅膀的情况下滑翔很远的距离。一项新研究发现候鸟会利用两种基本的感官线索，结合增强学习算法(RLA)在它们遇到的动荡不安的环境中导航。
新的计算机模拟采用的架构与谷歌AlphaGo的一样，而科学家们了解到的信息则有助于研发远程自动滑翔机和自动驾驶汽车。
某些候鸟，比如军舰鸟能够迁徙上千公里，并连续几周不落地。一项发表在科学期刊上的研究发现候鸟会利用上升的热气流来节省拍翅膀的力气，从而跨越海洋上的遥远距离。
这些热气流非常混乱，因此人类飞行员驾驶飞机的时候通常会避开它们。但法国国家科学研究中心的研究人员们发现，军舰鸟可以利用这些风来升高。这使得它们能够在遇上新的热气流之前，滑翔很长一段距离。
如果这需要复杂的决策，那么这些鸟儿如何在如此复杂的环境中导航呢？之前模拟的上升热气流只假定了非常简单的条件，并不适用于现实生活。
索尔克研究所的神经生物学家Terrence Sejnowski及其同事结合混乱热气流模拟和RLA，训练出一种模型滑翔机，它能够根据简单的感官信息反馈在热气流中导航。他们的研究被发表在美国国家科学院院刊上。
该团队发现候鸟使用的关键感官信息是垂直风加速度和扭矩(即绕轴加速度)。这使得它们能够在升力最大的热气流中心保持拍打翅膀的状态。研究共同作者Massimo Vergassola表示鸟儿可以借此在混乱的情况下导航：它们采用了更加保守也更能规避风险的飞行策略，比起转向它们会遵循当前的飞行路径。
Sejnowski透露说鸟儿和人类一样，头部拥有能够感应加速度的器官。因此从原则上来说鸟儿能够感应加速度，只不过科学家们目前不知道它们使用的是哪种神经通路或者它们如何整理感官信息。
Sejnowski及其团队还买了一架翼展为3米的滑翔机。他们打算利用一部手机，将学习算法整合到内置控制系统中，这样该滑翔机就能自己滑翔，不再需要远程控制。希望它也能像AlphaGo那样赢过人类。
对Sejnowski而言，这是令人兴奋的新事物到来之前的先驱。过去的大部分人工智能都被设定了能检查所有可能的突发情况并为每种情况提出解决方法的程序。有了RLA之后，更多的数据会让它们的表现变得更好。
这将给新的应用带来变革，比如更好的自动驾驶汽车。它还能在不需要信号塔或者有线基础设施的情况下，给偏远地区带来网络(比如非洲和南美部分地区)。
Sejnowski说：“我们已经用AlphaGo证实这种简单的学习算法，只要辅助以良好的感官和电动机输出，那么它在接近特定工程问题的时候就会变得非常有效。它能够处理现实世界的复杂性，归纳经验并利用这些知识来处理新的情况。”
[肌肉桃 via Gizmodo]
肌肉桃 @ 2016.08.02 , 15:00
感谢候鸟对上升热气流的战略使用，它们能够在出最小力扇翅膀的情况下滑翔很远的距离。一项新研究发现候鸟会利用两种基本的感官线索，结合增强学习算法(RLA)在它们遇到的动荡不安的环境中导航。
新的计算机模拟采用的架构与谷歌AlphaGo的一样，而科学家们了解到的信息则有助于研发远程自动滑翔机和自动驾驶汽车。
某些候鸟，比如军舰鸟能够迁徙上千公里，并连续几周不落地。一项发表在科学期刊上的研究发现候鸟会利用上升的热气流来节省拍翅膀的力气，从而跨越海洋上的遥远距离。
这些热气流非常混乱，因此人类飞行员驾驶飞机的时候通常会避开它们。但法国国家科学研究中心的研究人员们发现，军舰鸟可以利用这些风来升高。这使得它们能够在遇上新的热气流之前，滑翔很长一段距离。
如果这需要复杂的决策，那么这些鸟儿如何在如此复杂的环境中导航呢？之前模拟的上升热气流只假定了非常简单的条件，并不适用于现实生活。
索尔克研究所的神经生物学家Terrence Sejnowski及其同事结合混乱热气流模拟和RLA，训练出一种模型滑翔机，它能够根据简单的感官信息反馈在热气流中导航。他们的研究被发表在美国国家科学院院刊上。
该团队发现候鸟使用的关键感官信息是垂直风加速度和扭矩(即绕轴加速度)。这使得它们能够在升力最大的热气流中心保持拍打翅膀的状态。研究共同作者Massimo Vergassola表示鸟儿可以借此在混乱的情况下导航：它们采用了更加保守也更能规避风险的飞行策略，比起转向它们会遵循当前的飞行路径。
Sejnowski透露说鸟儿和人类一样，头部拥有能够感应加速度的器官。因此从原则上来说鸟儿能够感应加速度，只不过科学家们目前不知道它们使用的是哪种神经通路或者它们如何整理感官信息。
Sejnowski及其团队还买了一架翼展为3米的滑翔机。他们打算利用一部手机，将学习算法整合到内置控制系统中，这样该滑翔机就能自己滑翔，不再需要远程控制。希望它也能像AlphaGo那样赢过人类。
对Sejnowski而言，这是令人兴奋的新事物到来之前的先驱。过去的大部分人工智能都被设定了能检查所有可能的突发情况并为每种情况提出解决方法的程序。有了RLA之后，更多的数据会让它们的表现变得更好。
这将给新的应用带来变革，比如更好的自动驾驶汽车。它还能在不需要信号塔或者有线基础设施的情况下，给偏远地区带来网络(比如非洲和南美部分地区)。
Sejnowski说：“我们已经用AlphaGo证实这种简单的学习算法，只要辅助以良好的感官和电动机输出，那么它在接近特定工程问题的时候就会变得非常有效。它能够处理现实世界的复杂性，归纳经验并利用这些知识来处理新的情况。”
[肌肉桃 via Gizmodo]