牛津大學計算機科學系主任、DeepMind-OxfordPartnership監(jiān)事，著名智能體理論研究學者MichaelWooldridge博士等在討論智能體時，則提出“弱定義”和“強定義”二種定義方法：弱定義智能體是指具有自主性、社會性、反應性和能動性等基本特性的智能體；強定義智能體是指不僅具有弱定義中的基本特性，而且具有移動性、通信能力、理性或其它特性的智能體；作為現(xiàn)今著名的智能體理論研究學者，其著作有《多Agent系統(tǒng)引論》，被稱為當今關于多Agent系統(tǒng)這個重要論題的第一本教材。

在其二十年的Agent研究生涯里，他幾乎獲得了人工智能領域的所有榮譽：ACM（國際計算機學會）、AAAI（美國人工智能學會）、EURAI（歐洲人工智能學會）成員，AcademiaEuropaea（歐洲科學院）成員、ERC（歐洲研究學會）委員，堪稱人工智能領域的達人。

作為雷鋒網(wǎng)8月份的CCF—GAIR大會的學術大牛嘉賓之一，近日我們對其進行了專門采訪。

Michael  Wooldridge

問：首先為我們闡述下當下多智能體系統(tǒng)的重要性？

MichaelWooldridge：對我來說，智能體最重要的一點是其“社會性”。我們知道人和動物區(qū)別開來的一個重要特征就是我們作為智能的，社會性的動物，我們有語言，可以相互合作，協(xié)調(diào)，談判來實現(xiàn)一些遠超月個人能力范圍內(nèi)可以實現(xiàn)的事情。

所以AI如果忽視了“社會性”這個屬性，它在接近或者超越我們的路上將會缺失許多東西。

問：AlphaGo屬于單智能體還是多智能體？

MichaelWooldridge：當然是個單智能體。雖然我不知道其它智能體研究者是否會稱它為“智能體”，但我很樂意把它定義為單智能體，因為之前它沒有駐留在其它環(huán)境中（事實上也不曾以任何方式駐留在這個世界中）。

而通常我們都認為智能體是存在于某種環(huán)境中的（注：智能體是指駐留在某一環(huán)境下，能持續(xù)自主地發(fā)揮作用，具備駐留性、反應性、社會性、主動性等特征的計算實體。）

另外，關于這個智能體，現(xiàn)在深度學習研究者們遇到了一個有意思的挑戰(zhàn)——如何讓學習系統(tǒng)可以分享他們的經(jīng)驗——分享他們學習到的經(jīng)驗，就像人類在學習完英語后，又把他們的經(jīng)驗用去學韓語，西班牙語等其它語言。

問：除了AlphaGo,還有其它的虛擬智能體代表嗎？

MichaelWooldridge：貿(mào)易機器人就是個很典型的例子，這個程序可以買東西和賣東西，現(xiàn)在國際貿(mào)易中正大量用到這個程序，以后AI的應用會更廣，我希望來年這個數(shù)據(jù)有更大的增長。

問：智能體系統(tǒng)在接下來的2-3年，如果要列個Top5領域的話，會在哪幾個領域爆發(fā)？

MichaelWooldridge：我覺得是這個幾個領域

健康—智能手機和其它的設備里的各種傳感器，都在監(jiān)視我們的健康狀態(tài)。

娛樂—看看口袋妖怪里的AI技術就知道了。

醫(yī)療—人工智能正在為我們尋找新的藥物（和藥物形式）。

自動駕駛—美國有359萬卡車司機，我相信20年后，這些都會被自動駕駛代替，這對社會是個巨大的改變。

物流/規(guī)劃—AI在這塊領域會找到更有效的處理方式。

問：智能體和人工智能的區(qū)別是什么？

MichaelWooldridge：本質(zhì)上區(qū)別還是我上面提的“社會屬性”，雖然之前的（人工智能）AI一開始沒有對這點花太多注意力，但智能體（系統(tǒng)）一直在聚焦這件事。

問：Mobileye的CTOAmnonShashua在演講中說道：他認為深度學習的研究繞了遠路。因為真正的AI應該能幫人類解決人類解決不了的問題，而目前的AI的表現(xiàn)卻僅限于人類已經(jīng)能非常明確的理解和解釋的領域。你如何看這個說法？

MichaelWooldridge：確實，在一些我們有特定任務要完成的領域AI非常成功，有時我們甚至能評估這項任務的完成情況；但遷移到有些我們都不太好定義的地方應用，目前沒有太多成功的例子可以拿來佐證。

問：怎么看待AlphaGo在網(wǎng)站上排名超過柯潔的事情？

MichaelWooldridge：關于這點，我敢說，誰要是覺得除了AlphaGo會贏后還會有其它的結果，那是很荒謬的事情。剩下的，是參賽者在實際對決的時候會發(fā)現(xiàn)比他想象地驚喜多了，我相信柯潔也會經(jīng)歷這個過程的。當然，我更感興趣的是AlphaGo能不能教人類下得更好，但現(xiàn)在我們不知道它是如何做到的，這是個問題。

問：說一下加強學習和深度學習的關系？

MichaelWooldridge：它們不是完全不同的兩種東西，因為強化學習的基本思想是，傾向于加強過去已經(jīng)成功的執(zhí)行操作的概率。

而深度學習是在神經(jīng)網(wǎng)絡的背景下，關心一個類似的想法。它們都有著類似的想法，以及需要重復訓練這個過程。另外在我眼里，這兩個技術是互補關系，而不是競爭關系。

問：實現(xiàn)AGI的最有效方式是？

MichaelWooldridge：至少目前，我們不知道如何通往AGI，也沒人敢說他知道這個，機器學習近幾年雖然有重大進展，但是我們不知道意識或者自我意識是如何組織的，如何進步的，以及它和大腦的微觀結構有什么關系，所以AGI還有很長一段時間要走。

問：在多智能體系統(tǒng)做決定的時候，通常子系統(tǒng)要把處理過的數(shù)據(jù)傳輸給母系統(tǒng)再讓其做決定，這中間按理是有個延遲過程的，怎么處理這個延遲問題？

MichaelWooldridge：在我的經(jīng)驗中，多智能體系統(tǒng)里，有不同的方式組織活動，避免系統(tǒng)延遲一直是個問題。一種解決方法是任務共享——這時任務被分解成更小的任務，分享給更小的代理。甚至有時需要重新組裝這些任務。

另一種方法就是“結果分享”——代理所做的就是分享信息，如果我認為這個信息對你有用的，我跟你一起分享。

最后，這些方法都有優(yōu)點和缺點，在多智能體系統(tǒng)研究的關鍵中，懂得在一個特定問題中哪個才是最適合的解決方法很關鍵。

小結：

智能體是人工智能領域中一個很重要的概念。通常我們認為任何獨立的能夠思想并可以同環(huán)境交互的實體都可以抽象為智能體。邁克爾·伍爾德里奇過去花了20多年時間專注人工智能的這個前沿領域———智能體(Agent)的研究。

正好這個Agent（S）系統(tǒng)在博弈，調(diào)度優(yōu)化，金融，游戲，多機器人控制方面都非常適合，所以AlphaGo這種博弈類高手機器系統(tǒng)誕生在牛津大學也說的上“順利成章“，而未來，在人工智能這個“超級網(wǎng)絡”中，我們有理由在各個場景中都會充斥著multi-agent的概念。

更多資訊請關注工業(yè)機器人頻道