متابعة رائعة لعملنا على Physical Atari. الأشخاص الذين استخدموا التعلم الواقعي فقط في بيئات محاكاة سريعة وبسيطة يستهينون كثيرا بتعقيد العالم الحقيقي؛ ينتهي بهم الأمر بتطوير أهداف بحثية لا يمكن تحقيقها في بيئات معقدة (مثل التعميم ذو الطلقات الصفرية، وتعلم النماذج السببية). لا تزال أتاري الفيزيائية بيئة بسيطة للغاية، ومع ذلك فهي كافية لتسليط الضوء على حدود الطرق التي تم تطويرها للتعلم باستخدام المحاكاة السريعة. يتعلم البشر في بيئات أكثر تعقيدا بكثير من أتاري الفيزيائي. تطوير خوارزميات يمكنها فعل الشيء نفسه يجب أن يكون هدفنا إذا أردنا ذكاء وفيرا.

أنا مندهش بسرور من إيليا. وقد حدد بعض الجوانب الرئيسية للذكاء الاستخباراتي التي تغيب إلى حد كبير عن الخطاب الشعبي الذكاء الاصطناعي. وهي: 1. الذكاء يتعلق بالقدرة على التعلم وليس بمعرفة الكثير من الأشياء. الهدف الصحيح هو نظام يمكنه التعلم من الخبرة في النشر. 2. هناك حاجة إلى دالة قيمة للتعلم الفعال في العينات المشابهة للبشر. يمكن أن يوفر تغذية راجعة كثيفة (تعلم TD) في غياب المكافأة. كلاهما ضروري وقابل للتنفيذ. عنق الزجاجة الرئيسي هو أننا لا نملك خوارزميات يمكنها التعلم بشكل موثوق باستخدام كميات مماثلة من الحوسبة كاستنتاج. مثل هذه الخوارزميات ضرورية إذا أردنا التعلم باستمرار. أعتقد أننا قريبون. ليس لدينا عدد كاف من الأشخاص الذين يعملون على إيجاد هذه الخوارزميات. وأنا سعيد أيضا لأن إيليا أقر بأنه لتحقيق تقدم نحتاج إلى المزيد من الأفكار وليس فقط المزيد من الحوسبة. أتوقع أن التحسينات الخوارزمية الرئيسية يمكن إجراؤها بكمية صغيرة نسبيا من الحوسبة. عدد قليل من وحدات معالجة الرسومات التي تحتوي على العديد من أنوية CUDA (5090 أو أفضل) لكل شخص، أو عدد قليل من المعالجات متعددة النوى المتطورة (9995 WX أو أفضل) لكل شخص، تكفي للعثور على الخوارزمية المناسبة. العروض الواسعة النطاق ستكون مهمة فقط لإقناع بقية العالم بأنك وجدت الوصفة المناسبة للتعلم. *نوى التنسور ليست مرنة بما يكفي لتجربة أفكار جديدة بسرعة.