分布式人工智能，未来会如何发展
自二十世纪七十年代以来，分布式智能技术发展迅速。近二十年来，无论是在分布规划和优化、还是智能体间的竞争与协作，还是实际运用上，都有令人鼓舞的发展。这二十年的发展可以分成两个时期，第一个十年是研究人员集中在分布式规划和优化、拍卖和博弈均衡问题上；之后十年，随着深度研究的发展，分布的人工智能逐渐转移到了智能的领域，主要有单智能体和多智能体的强化学习。最著名的一项进步是 DeepMind的研究员在2016年发明了 AlphaGo软件，战胜了人类棋手，2017年卡耐基梅隆的 Tuomas Sandholm教授的小组研发了 Libratus ，在德州牌上战胜了人类的专业选手，而在2019 （仍然是） DeepMind公司研发的 AlphaStar在星际争霸游戏中战胜了专业的人类选手。目前，分布式智能技术正处于快速发展阶段，各种技术与应用不断涌现。未来的分布式人工智能研究将着重于以下几个方面：第一，更复杂和更大规模的分布式人工智能问题的研究和解决。我们的生活包括很多超大规模的分布式系统，例如一个全城的交通信号灯，它可以使全城的车辆都能协调，以防止拥堵。这种大型分散式的体系非常常见，而且非常的关键，目前的解决办法主要还是经验性的，在今后的发展中，越来越多的人将注意力集中在大规模分布式的系统上。大规模分布式系统所面临的最大的问题是它所处的位置和所做出的决定都会呈指数级增长，因此很难找出最好的、最有效的方法。为此，研究人员也提供相应的对策。
第二，分布式人工智能的安全性、鲁棒性、普遍性等特点将有助于更好的了解分布式人工智能的问题。利用算法指导现实生活中的决定可以提高决策的有效性和绩效，但是也会产生很多问题，特别是基于深度学习和深度神经网络为基础的算法，其对现实世界中可能存在的影响、不确定性因素甚至是蓄意的共计，都可能带来可怕的后果。大量的实验证明，该方法并没有足够的抗干扰能力，因此目前的一个重要课题就是提高其稳定性和安全性，使其在不确定的情况下，即使是对抗的情况，也可以作出更好的选择。
第三，分布式人工智能具有可解释力，这将使得人类能够理解算法的决策，从而降低分布式智能在实际应用中的阻力。尽管在很多领域取得了令人振奋的发展，但由于其“黑箱”特性，使得研究人员需要提高其可解释性。可解释性是在做出决定的时候，该方法应该说明为何要做出这样的决定。为了克服算法的可解释度问题，研究者将原因推理和特征化的表达方法结合到了该模式中，以便于人们了解算法的决定。
页:
[1]