博弈论如何导致更聪明的人工智能？

大众汽车阿默斯特——得益于空军办公室19500美元的拨款，马萨诸塞州阿默斯特大学数学与统计系的两位教授Marcos Katsoulakis和Luc Rey-Belle以及布朗大学的Paul Dupuis将在未来四年内开发一种新的机器学习方法，这种方法超越了对大数据的传统依赖。

传统的机器学习依赖于庞大的数据缓存，算法可以过滤这些数据来“训练”自己完成任务，从而生成基于数据的数学模型。但是，如果数据很少，或者生成足够数据的成本高得令人望而却步，该怎么办呢？一种可能且紧急的补救措施——通常被称为科学机器学习——，它将多年科学研究中获得的专家知识整合到算法中，以开发物理原理和规则。

人们对科学机器学习在各个应用领域和行业都非常感兴趣，包括医学、工程、制造和科学，但其中一个关键挑战是如何确保算法预测的可靠性。

这就是Katsoulakis和Rey-Bellet发挥作用的地方。他们一起为科学机器学习带来了一个新的视角，一个关注“差异”的视角。“散度的数学概念，”Rey-Bellet说，“是一种量化机器学习算法的预测和实际实验数据之间差异的方法。”他补充说，“分歧使研究人员能够测试不同的机器学习算法，并找到产生最佳结果的算法。”

该小组提出了一种新的分歧，涉及两个虚构的、相互竞争的代理人，——“玩家”——，他们相互玩“游戏”。第一个玩家提出了一个新的机器学习模型，它模拟了一个真实的场景。如果模型的预测与现实生活中可用的实验数据不符，其他参与者可以拒绝该提议。游戏继续进行，直到玩家找到同时满足他们的算法。

但这些玩家有一个诀窍：“我们差异中的一个关键的新数学特征允许玩家‘了解他们的物理’”，Katsoulakis说。“更聪明的球员更有效地竞争，更快地相互学习，需要更少的数据进行训练，但他们仍然对学习新的物理持开放态度。”