AI 蠕蟲利用強化學習、神經網路發生新的威脅

人工智慧領域發展迅速，新穎的應用不斷出現。本文將探討一個引人入勝的實驗：利用強化學習和神經網路來訓練虛擬蠕蟲在環境中移動並收集物件。我們將探討基本概念、訓練過程以及令人印象深刻的結果，展現人工智慧在意想不到領域的潛力。

重點

使用虛擬模擬進行 AI 訓練的介紹。

實施強化學習來控制移動。

利用神經網路引導蠕蟲運動。

循序漸進的訓練方法來提升 AI 能力。

人工智能中的生物模仿，從大腦結構中汲取靈感。

分析蠕蟲的速度和獎勵機制。

參考 Skillshare 作為學習 AI 和創意技能的平台。

瞭解 AI 訓練實驗室

歡迎來到 AI 訓練實驗室

AI 訓練實驗室是一個實驗中心，展示如何在模擬環境中開發與訓練 AI 代理。這些數位舞台可讓演算法和模型進行安全且經濟實惠的測試，不受現實世界的限制。過去的專案包括訓練拳擊 AI 和跑得比尤塞恩-博爾特 (Usain Bolt) 還要快的人類，突顯了此類系統的彈性和前景。

虛擬環境的設計是為了挑戰 AI 代理，迫使它們在重複嘗試中學習和適應。這個方法讓我們親身體驗人工智慧如何處理複雜的任務，例如移動和物件互動。

目前的專案將重點轉移到創造 AI 控制的蠕蟲。在神經網路的引導下，我們的目標是看看它是否能夠導航到一個區塊並將其擷取！

從拳擊 AI 到虛擬蠕蟲：重點轉移

本實驗室早期的工作以拳擊、類人運動和跑酷為中心，教導 AI 代理掌握類似人類的能力。這種演進突顯出人工智能可以解決的問題種類繁多。

改用虛擬蠕蟲作為 AI 代理是朝向獨特挑戰的有意之舉。相較於兩足或類人的形態，蠕蟲的移動涉及到獨特的協調與控制問題。這種改變提供了有用的洞察力，讓我們了解人工智能演算法的適應性與多樣性。

透過研究具有根本不同的身體規劃的生物，實驗室可以擴展其對人工智能如何建立智慧型、適應性系統的認識。基本上，這隻蠕蟲使用人工大腦移動和行動！

解剖神經網路

什麼是神經網路？

神經網路是一種計算模型，靈感來自於人腦的結構和運作。

它是由相互連結的節點或神經元所構成，並分層排列。這些層會處理和傳遞資訊，讓網路能從資料中學習，並做出決策。

神經網路模仿已知最複雜的物件：人腦。這是嘗試模擬某些東西如何解決問題並獲得意識，類似於大腦。我們的目標是在人工智能中複製這個過程！

神經網路透過反覆訓練來學習。輸入資料，並根據結果修改神經元之間的連接。這種反覆調整的方式可以讓網路隨著時間的推移提升效能，學習辨識模式、做出選擇，以及解決複雜的問題。

影片中的蠕蟲從單細胞生物開始，逐步接受神經網路的訓練。每一帧都记录了蠕虫的速度，并将其与目标速度进行比较；蠕虫的速度越接近，奖励就越大。

神經網路的內部運作

為了訓練神經網路，我們會餵它輸入資料，然後它會處理資料以產生輸出。中間部分或隱藏層負責處理這些輸入；網路越大，代表人工智慧的「智商」越高，可以執行更複雜的任務。

視訊賦予 AI 基本的自我意識。這是透過擷取每個身體區塊的位置、旋轉和速度，將這些資料組織成向量，並輸入神經網路來實現的。這讓 AI 對自己的身體有了意識，這是人類與生俱來的特質。

連線及其指定的權重對於網路的智慧非常重要。

更多的連線和精心調校的權重可以讓網路做出更細微、更精準的回應。訓練包括改進這些權重，讓網路從經驗中學習和改進。

神經網路類比：從單細胞生物到小鼠

視訊採用類比的方式來說明神經網路的規模與複雜性，將神經網路比作從單細胞生物（如副蟲）到小鼠的大腦。神經網路的任務是訓練蠕蟲成為「智慧」的蠕蟲！一開始，蠕蟲會隨意移動，只知道自己的身體部分和方向。

改進 AI 蠕蟲的步驟

使用可旋轉的關節

為了幫助蠕蟲移動，蠕蟲內建了七個可旋轉的關節，每個關節都由神經網路控制。這些關節對於促進和鼓勵運動非常重要。

強化學習獎勵蠕蟲

由於我們使用的是強化學習演算法，因此必須定義獎勵函數。這可讓我們獎勵蠕蟲的動作，並鼓勵理想的行為。每一格都會記錄蠕蟲身體的速度。這個速度會與目標速度比較；比較越接近，給予的獎勵就越高。

調整參數

為了優化運動性能，我們需要調整關鍵參數。藉由啟用關節阻尼和增加反應時間，我們可以讓演算法有顯著的優勢！

此外，提高 AI 的處理能力也很重要，以確保它能發揮最佳效能。

利用 Skillshare 的多元化學習平台釋放創意潛能

創意學習者免費試用優惠

文章指出，前 500 位使用說明中連結的使用者將可獲得 Skillshare 一個月的免費試用。這可讓您存取豐富的創意課程資料庫。

AI 藝術世代：穩定擴散 VS 中途轉換

優點

Stable Diffusion 提供完全的創作自由，沒有內容限制。

它可在您自己的硬體上進行本機私人操作。

擁有必要技術能力的使用者可免費使用。

缺點

AI 藝術創作的自由性並非人人都能享有。

它可能需要比您目前擁有的更強大的硬體。

Skillshare 的學習平台

AI 藝術創作課程

Skillshare 是提升 AI 美術製作技能的重要資源。它提供數以千計由業界專業人士教授的課程。該平台還提供精心設計的學習路徑，這些路徑是一連串的課程，旨在循序漸進地培養技能。

Skillshare 上的創意學習路徑

Skillshare 的無限可能

Skillshare 是絕佳的資源，因為無論您的興趣是電影、插畫、設計，甚至是 AI 與創新，都有適合每個人的相關內容。

常見問題

什麼是強化學習？

強化學習 (Reinforcement Learning) 是一種機器學習方法，其中代理程式透過與環境互動來學習如何做出決策。它會因其行為而獲得獎勵或懲罰，並改進其策略，以隨著時間的推移使總獎勵最大化。

神經網路如何用於 AI 訓練？

神經網路處理並傳輸資訊，讓 AI 代理能夠從資料中學習並進行預測。在這個專案中，神經網路控制虛擬蠕蟲的動作，讓它能夠導航和收集物件。

為什麼他們選擇研究蠕蟲？

與雙足或仿人機器人不同，蠕蟲的運動在協調和控制方面提出了獨特的挑戰。這種轉變為人工智能演算法的適應性和多樣性提供了寶貴的啟示。

為什麼他們要從免費的穩定擴散平台轉移到付費平台？

他們並沒有過渡到付費平台！Stable Diffusion 和 Midjourney 只是被比較而已，Midjourney 是一個封閉式的平台。Stable Diffusion 提供完全的創作自由，沒有嚴格的規則，而且可以在您的本地機器上執行！

當你給一個非常大的生物一個非常小的大腦時會發生什麼？

這正是我們的目標！透過這個訓練，我們想觀察當一個更複雜的實體的處理能力有限時會發生什麼。我們會看到有趣、不協調的動作，還是乾脆的失敗？

相關問題

模擬環境在 AI 訓練中扮演什麼角色？

模擬環境對於 AI 訓練非常重要。模擬環境提供了一個安全、受控且符合成本效益的實驗空間，讓研究人員可以在沒有現實世界風險與限制的情況下測試與改善演算法。模擬環境提供的主要優點如下受控條件：模擬可精確控制環境變數，有助於隔離和研究這些變數對 AI 行為的影響。可擴展性：模擬可輕鬆擴充，以創造複雜多變的訓練情境。安全性：模擬消除了與真實世界訓練相關的風險，例如設備損壞。資料產生：模擬可以產生大量訓練機器學習模型所需的標記資料。這些優勢讓模擬成為加速許多領域的 AI 發展不可或缺的工具。

AI 藝術創作有哪些道德考量？

AI 藝術創作涉及數項倫理考量，包括版權與所有權：決定誰擁有 AI 生成藝術的版權是一件複雜的事情，涉及到作者權和智慧財產權的問題。偏見與代表性：AI 模型會從現有資料中學習，這些資料可能包含社會偏見。這可能會導致藝術強化刻板印象或排斥某些族群。工作職缺：AI 藝術的成長會讓人擔心人類藝術家與設計師可能會失去工作。真實性與原創性：有些人認為 AI 產生的藝術缺乏人類創作的真實性與原創性。要解決這些問題，就必須仔細思考 AI 產生的藝術在法律、社會與經濟上的影響。

個人如何參與 AI 開發與訓練？

個人可以透過下列幾種途徑參與人工智慧的開發與訓練：線上課程與教學：Coursera、edX 和 Skillshare 等平台提供許多關於 AI 和機器學習的課程。開放原始碼專案：為開放原始碼 AI 專案貢獻心力是獲得實務經驗與合作的絕佳方式。Hackathons 與競賽：參加 AI hackathons 與競賽可讓您測試自己的技能，並從同儕身上學習。研究與學術界：攻讀電腦科學或相關領域的學位可為您打開人工智慧研究的大門。產業工作機會：許多公司正積極聘請 AI 開發人員和工程師，這是非常值得推薦的出路。