热气球不听话 谷歌用人工智能算法来控制

这就是为什么谷歌将热气球在秘鲁空域保持了三个多月让人如此的印象深刻。要知道现有的导航系统只能让气球上升或下降，却不能操纵其前后左右移动。因为更为复杂导航系统要么太重，会减少气球的滞空时间；要么过于昂贵，不适用于互联网气球。整个Project Loon项目小组并没有采用喷气推进系统，而是转向通过人工智能操纵气球。

这种人工智能是一个宽泛的概念。但无论如何，谷歌的研究人员通过人工智能算法有效引导了高空热气球。从某种意义上说，这也代表了整个科技界在人工智能领域的重要转变。

在最初，整个团队通过手工算法引导气球，气球导航系统会根据高度、位置、风速以及时间等变量作出预定的反应。但人工智能新算法更好利用了机器学习的优势。通过对大量数据进行实时分析，算法可以不断进行学习，其基于过去发生的既定事实，预测并改变即将作出的操纵。Project Loon负责人、前谷歌搜索工程师萨尔·坎迪（Sal Candido）指出，“我们在合适的地方更多采用了机器学习。这些算法比人工处理更为有效。”

当然，人工智能算法并不意味着作出的选择都是正确的。坎迪拥有随机控制的博士学位，这意味着其对不确定性的控制更为在行。当热气球进入平流层后，会有很多的不确定性。虽然无法改变，但却可以通过机器学习技术有效对其进行控制。

当团队刚刚开始启动Project Loon项目时，研究人员认为将互联网信号覆盖地面的唯一方法就是尽可能多的升空热气球。而现在，随着获取了更多的热气球控制权，这意味着他们的互联网接入服务所需要的气球数量将更少。坎迪指出，“通过避免气球飘到海洋上空，我们可以为用户提供更多的互联网接入时间。”

机器学习在Project Loon上的应用与谷歌、Facebook以及Twitter在人工智能领域的研究有些类似。这些公司的人工智能技术正在朝着深度神经网络方向迈进，这种技术是模拟人类大脑的神经元网络算法。其可以用于智能手机的语音识别、人脸识别以及个性化搜索结果等等。

当然，Project Loon并没有使用这种深层神经网络技术，其应用的是名为高斯过程的简单机器学习，但基本原理相同。在整个项目进行过程中，公司已经收集了超过1700万公里的气球飞行数据，导航系统通过高斯过程控制气球何时上升或下降。

当然，这种预测方法并不完美，因为平流层的天气情况也很复杂。坎迪指出，热气球所遇到的情况远比想象的要复杂。因为他们对气球的导航系统进行了升级，在机器学习的基础上进行了强化学习。通过这种强化学习技术，系统会收集更多的数据，从而不断进行学习。

同样，谷歌研发人工智能系统AlphaGo的研究人员也在使用同样的方法。该系统通过分析人类下棋的海量数据，通过每次比赛成功或失败的详细记录，不断提高自己的棋艺，最终战胜了世界顶级围棋选手。AlphaGo设计者相信，这些技术也可用于机器人或其他领域。

这一切并不是法宝，而仅仅是强大的数据处理能力。正如坎迪所说，Project Loon的人工智能导航系统之所以可行，是因为其能够连接至谷歌庞大的数据中心。此外坎迪也承认，Project Loon的学习能力还远远称不上强大。虽然目前人工智能还不够完善，但随着时间的推移，它总会变得更好，带着人类去往任何地方——平流层甚至于外太空。（晗冰）

[广告]活动入口:

买美股，上老虎 - 超低佣金，每股只需1美分