以及提升生产力的应用于等应用于是目前正在展开的工作的重点。最近一系列关于顺序决策的研究，如上下文强盗，正在这个地区渐渐获得进展。
例如，我们自己的研究指出，一个对饮食管理的情感方面脆弱的系统可以如何协助受试者作出准确的要求。几十年来，情感传达仍然正处于计算出来的最前沿。
即使是非常简单的信号(例如，光、色、声)也有能力表达和引发非常丰富的情感。在将于ICLR2019上公开发表的“Neural TTS Stylization with Adversarial and Collaborative Games”（《神经TTS与对付和协作游戏的程式化》）（马爽和宋耶鲁年出版）中，我们明确提出了一种新的机器学习方法来制备具备表现力的细致的人类语音。
该体系结构挑战模型分解现实的语音，心目中于文本内容，同时确保一个易于控制的拨盘，以独立国家的方式转变传达的情感。我们的模型在多个任务中构建了最开始的效果，还包括样式切换（内容和样式互相交换）、情感建模和身份切换(合适新的演讲者的声音)。
文章获取了一个开源构建。【 图片来源：Microsoft Research Blog 所有者：Microsoft Research Blog 】虽然人工智能系统的辨识、传达和介入方面的研究在过去20年早已了解，但还有一种更加引人注目的智能形式——一种为了更佳地自学和更加有效地作出自由选择而有效地利用情感机制的系统。在最近的工作中，我们期望探寻如何创建这样的情感机制，以协助我们的计算出来过程构建比目前更好的目标。某种程度经常出现在ICLR 2019，我们最近的工作探寻了基于影响的内在动机的点子，这可以协助自学决策机制。
最近人工智能在解决问题棋士、Pac-Man和基于文本的RPG等游戏方面获得的顺利，相当大程度上依赖增强自学，在增强自学中，好的不道德不会获得奖励，怕的不道德不会受到惩罚。然而，要让计算出来代理自学一个合理的策略，必须在这样一个行动奖励框架中展开大量的试验。
我们建议背后的直觉是，从人类和其他生物如何利用情感机制中来更加有效地自学中取得启发。当人类学着面临世界时，身体（神经系统）的反应不会对不道德自由选择的潜在后果获取持续的内在对系统，例如，当相似悬崖边缘或在拐弯处较慢行经时，不会显得紧绷。生理变化与这些维护自己免遭危险性的生物制剂有关。
人类对危险性情况的预期反应是心率减缓，心率变异性减少，血液从四肢分流，汗腺扩展。这是身体的“战斗或逃走”反应。
人类早已演化了数百万年来创建这些简单的系统。如果机器有类似于的反馈系统呢？【 图片来源：Microsoft Research Blog 所有者：Microsoft Research Blog 】在“Visceral Machines: Risk-Aversion in Reinforcement Learning with Intrinsic Physiological Rewards” （《本能机器：在内在生理奖励的增强自学中的风险回避》）一书中，我们明确提出了一种新的增强自学方法，它利用了人类战斗或逃走不道德的内在奖励功能。我们的假设是，这样的奖励函数可以回避增强自学环境中与稠密和弯曲奖励涉及的挑战，并有助提升样本效率。在我们的例子中，来自事件的外部奖励并不是代理自学的必要条件。
我们在仿真驾驶员环境中展开了测试，结果表明，该方法可以提升自学速度，增加自学过程中的撞击次数。我们对训练自律系统的潜力深感激动，这种系统需要仿真以情感方式感觉和号召性刺激的能力。【 图片来源：Microsoft Research Blog 所有者：Microsoft Research Blog 】许多计算机科学家和机器人专家都渴求打造出类似于KITT和R2D2等风行科幻小说中令人难忘的人物形象的机器人。
无论如何，我们都有很多机会来创建一个打破以往的整体情感计算机制，并协助我们建立健全、高效和非白内障的人工智能。我们期望这项研究能让我们新的检视情感在人工智能中的应用于。我们期望5月份在新奥尔良的ICLR看到您，并期望着与您共享点子，交流高情商代理这一令人兴奋的研究领域的可能性。
录：本文编译器自Microsoft Research Blog版权文章，予以许可禁令刊登。下文闻刊登须知。
本文来源：开云(中国)Kaiyun-www.nblhwzhs.cn
