（来源：上观新闻）
在 Deep🤐🏈Mind ©期间，Haar🤙noja 曾主导🈵多个将深度强化学🇺🇬习应用于实体✊®机器人的😹项目，其中♾️最为人熟知🔟的是通过仿真强化🔌🔼学习训练小型人🚱☘形机器人踢足🥧🆗球：机器🇸🇴人在虚拟环境中完👩👧🦐全自主演化出带🥒🇲🇿球、射门乃至跌🇿🇲🇵🇸倒后自主爬起的复🚝👨👨👦杂行为序列👎。不过纽维尔🧲📰倒是对马斯克🍫🌯的脑机接口公司⌨🧑 Neura😚link 产📫生了兴🇧🇫↕趣🇦🇼。Stephani👨👨👧👦e Zhan：‼🙅我期待几年后🎛能回到这里，看看🦹♂️我们是否☮已经被完🇲🇩🛷全自动🎋🇳🇪化，从而被排除在🇬🇶决策循📹▶环之外了😚。
这些“对抗性🇬🇫测试”👠暴露了致命短板，📖🦕即仿真环境🔵🇬🇳难以精准🦊🚤还原物理🎄世界中的复🇹🇨杂摩擦力🛷🇱🇰、材料形🤶变与接触动力学💆，导致🔭🙀策略在真🏅🔤实场景中😀极易失效🥰🚮，该方向一度陷入🏦停滞☕🖥。因此，如果你处😎🐬于一个可⭕以创建这类测👨❤️💋👨🇪🇸试环境或样🇨🇩本的可验证场🐁景中，那么这实际👨👧👦🚣♀️上为你进行📻🎮自主微调🇷🇴☀创造了条件，你☕🏧或许能从中获🇳🇦益🇰🇷。“归根结底，必须🍞🛸要有某种东西来主🤖导处理过程🇬🇲。训练决🙆♂️🥋定模型🇾🇹能不能做出🇦🇸来，推理决定😳模型能不能🎌活下去🍣📅。Andrej ⬅🛏Karpath🇲🇺y：你可➿🍬以输入🇰🇿💐原始视频✂🇳🇴，比如想象一种🇲🇴🛬设备🇨🇻🇦🇿。
