雖然人工智能在圖像識別和產(chǎn)品推薦等方面取得了巨大的進步，但是這項技術仍然面臨諸多挑戰(zhàn)，特別是如何讓AI系統(tǒng)擁有“記憶功能”依然是一個難題。

本周二(3月28日)，蘋果的AI研究部門的總監(jiān)Ruslan Salakhutdinov在MIT Technology Review會議上探討了人工智能的局限性，不過他并未提及蘋果是怎樣將人工智能整合到Siri等產(chǎn)品中的。

Salakhutdinov于去年10月加入蘋果，他稱自己對強化學習(Reinforcement Learning)非常感興趣， 利用這種技術可以教會計算機通過反復優(yōu)化決策來獲取最好的結(jié)果。例如，谷歌就使用了強化學習來幫助數(shù)據(jù)中心達到最佳的散熱和操作配置,從而使其更加節(jié)能。

卡耐基梅隆大學(Salakhutdinov是該大學的副教授)的研究人員最近也在做這方面的研究：使用強化學習訓練計算機玩上世紀90年代的視頻游戲“Doom”。很快，計算機就學會了如何快速并準確地射擊外星人，而且還發(fā)現(xiàn)閃避能夠躲開敵人的火力。但是，它并不擅長記憶，比如記不住迷宮的布局，這使得它無法事先規(guī)劃和制定游戲策略。

Salakhutdinov的研究涉及到一種AI軟件，它能夠記錄“Doom”中的虛擬迷宮布局以及各個參考點，以便定位特定塔樓的位置。在游戲過程中，該軟件首先會判斷火炬的顏色(紅色或者綠色),然后根據(jù)火炬的顏色定位相應顏色的塔樓。

最終，這個軟件學會了如何在迷宮中找到正確的塔樓。而且當它發(fā)現(xiàn)自己找到的是錯誤的塔樓的時候，還會原路返回，尋找正確的塔樓。特別值得注意的是，該軟件在每次發(fā)現(xiàn)塔樓時都能夠回憶起火炬的顏色，Salakhutdinov解釋道。

不過，Salakhutdinov表示，這種類型的AI軟件需要“很長的訓練時間”，而且還需要強大的計算能力，因此難以擴大規(guī)模。

此外， Salakhutdinov想要探索的另一個領域是：教會AI軟件通過“更少的樣本和經(jīng)驗”達到更快的學習速度。盡管沒有在演講中提及，但是他的這一設想顯然有利于蘋果在更短的時間內(nèi)創(chuàng)造更好的產(chǎn)品。

一些AI專家和分析師認為，由于蘋果公司的隱私規(guī)則更加嚴格，限制了可用于訓練AI系統(tǒng)的數(shù)據(jù)量，因此蘋果的AI技術不如谷歌和微軟等競爭對手。Fortune認為，如果蘋果一直使用較少的數(shù)據(jù)來訓練AI系統(tǒng)，那么它或許能在滿足隱私要求的同時，仍然能夠像競爭對手那樣快速對軟件進行改進。