📢 转载信息
原文作者：AITrends Staff
在人工智能（AI）领域，我们正持续见证各种突破，其中许多突破都源于对复杂决策制定过程的深入理解和优化。最近，围绕经典棋类游戏围棋（Go）的创新研究，为AI系统（特别是用于自动驾驶汽车的系统）提供了宝贵的见解。
围棋中的“新颖性”：超越最优解
长期以来，AI在围棋中的应用一直是衡量其决策能力的重要标准。然而，新的研究不再仅仅关注如何找到“最优解”，而是开始探索“新颖的解”——那些虽然不一定是绝对最佳，但在特定情境下具有创新性和适应性的决策。
这项研究发现，当AI被鼓励去探索那些在训练集中不常见或“新颖”的走法时，它不仅能提高对未知情况的适应能力，还能在面对具有微小差异的复杂环境时，表现出更强的鲁棒性。
对自动驾驶汽车的启示
这一发现对自动驾驶汽车领域意义重大。自动驾驶系统每天都要面对海量且不断变化的驾驶场景，其中很多场景可能是其训练数据中从未出现过的“新颖”情况（例如，突发的道路施工、异常的天气现象、不规范的驾驶行为等）。
1. 增强环境适应性
传统上，自动驾驶AI倾向于在已知的、高概率的场景中表现出色。但如果AI能够像围棋AI探索新颖走法一样，学习探索那些“不常见但可行”的应对策略，它就能更好地应对突发和边缘案例（Edge Cases）。
2. 避免过拟合
过度依赖最优路径可能导致系统在面对轻微扰动时发生决策失误（即过拟合）。通过引入“新颖性偏好”，可以训练AI生成更具多样性的行为策略，确保决策空间足够广阔，从而提高系统的整体安全性。
3. 提高决策的探索性
在自动驾驶中，探索新的、合理的驾驶路径（而不是仅仅重复已知的安全路径）可以帮助系统找到更高效、更灵活的解决方案。例如，在复杂的城市路口，一个稍显“新颖”但逻辑合理的变道或避让动作，可能比僵硬地遵循预设模式更有效。
结论：从博弈到现实世界的迁移
围棋研究的最新进展表明，成功的AI不应只追求完美的重复，而应具备在不确定性中进行创造性探索的能力。这种“新颖性驱动”的学习范式，正成为AI系统，特别是高风险应用如自动驾驶汽车，迈向更高级别智能和可靠性的关键一步。
🚀 想要体验更好更全面的AI调用？
欢迎使用青云聚合API，约为官网价格的十分之一，支持300+全球最新模型，以及全球各种生图生视频模型，无需翻墙高速稳定，小白也可以简单操作。
青云聚合API官网https://api.qingyuntop.top
支持全球最新300+模型：https://api.qingyuntop.top/pricing
详细的调用教程及文档：https://api.qingyuntop.top/about
评论区