自人工智能诞生以来，研究人员一直试图通过让机器人与人类进行游戏来测试机器系统的智能水平。人们普遍认为，人类智慧的一大标志在于创造性思维的能力——在做出短期决策的同时，考虑各种可能性并牢记长期目标。如果计算机能像人类一样解决高难度的游戏，它们当然也能处理更复杂的任务。从20世纪50年代出现的早期跳棋机器人到深度学习技术加持的新AI，智能系统已经能够在国际象棋、围棋和DOTA等游戏中击败世界顶级人类选手。从这个角度来说，单纯以解谜能力来判断机器智能水平的观点已经过时了。要衡量人工智能的极限，我们必须找到一种更可靠的方法。
因此，目标驱动的系统模型是组织在开发AI程序时采用的核心模型之一。与其他AI模型一样，这种形式的AI可以解决一系列原本需要人类认知能力来处理的常见问题。在这种特定模式下，机器的任务非常明确——找到解决问题的最佳方式。具体问题可能是寻找迷宫的路径，优化供应链或者优化行车路线和空休闲时间。不考虑实际需求，我们对AI系统的期望是通过试错来完成学习，找到解决问题的最佳(即使直觉较低)方法。
强化学习和实验试错学习
强化学习是机器学习最有趣的形式之一，目前还没有广泛应用。与有监督的学习方法(人类先对数据进行标记，然后机器利用标记的数据完成学习)或无监督的学习方法(机器尝试独立地对信息进行分组和聚类，从而完成学习)相反，强化学习主要是通过试错进行学习，在迭代过程中不断将环境反馈与总体目标进行匹配，最终达到理想的性能。
在不使用AI的情况下，组织需要依靠人类来构建基于程序和规则的系统，从而指导软硬件系统的运行过程。虽然程序规则可以有效地管理资金、人员、时间和其他各种资源，但它们往往有严重的弱点和僵硬的限制。这些系统的能力上限与人类制定的规则水平紧密相连；换句话说，这种机器根本不能真正学习，只是以规则的形式重新诠释了人类的智能，从而保证系统的正常工作。
另一方面，目标学习AI系统的规则数量非常有限，我们可以通过迭代帮助系统学习如何独立工作。在此基础上，AI可以完全优化整个系统，而不依赖于人类设定的脆弱规则。目标驱动的系统在这方面已经证明了自己的价值，说明系统完全可以从极具挑战性的问题中发现“潜规则”，并加以解决。正因为如此，目标驱动系统在需要优化资源的领域做出了巨大的努力。
AI技术可以有效实现场景模拟和资源优化。将这种通用方法应用到学习中，可以引导AI系统针对某个特定目标或方案学习优化方向，找出很多即使是有多年经验的高级人类专家也很难找到的解决方案。因此，虽然目标驱动的系统模型不如其他模型(如识别、预测分析或对话模型)受欢迎，但它在许多行业中显示出巨大的发展潜力。
在金融领域，基于强化学习的目标驱动系统也遍地开花。以“机器人咨询”为例。这类程序可以通过自主学习找到很多可以满足个人特定需求的储蓄和投资计划。目标系统模式还可以起到控制交通信号系统的作用，找到最大限度保证通行能力的控制模式。供应链和物流行业也在使用这种系统来寻找包装和配送货物的最佳方式。此外，训练物理机器人，创建可以指导机器人行走和跳跃的算法等。也是目标驱动系统模式的理想显示阶段。
目标驱动系统甚至用在电子商务和广告中，负责帮助客户找到最佳商品价格，自动给出广告展示区的报价。目标系统甚至计算制药行业的蛋白质折叠，并找到发现疾病的创新方法。这些系统可以选择最佳的试剂和反应参数，并设计出所需的产品。这种强大的能力也使它们成为高度复杂的药物或治疗过程中的新资产。
目标驱动的系统模式能否成为人工通用智能(AGI)实现的关键？
试错法是一种有效的方法，它可能适用于几乎所有的问题。值得一提的是，DeepMind是一个致力于将机器智能变成现实的组织。该组织成功解决了人们认为机器永远无法解决的一系列问题。在他们看来，强化学习目标驱动系统很可能是解锁机器人终极形态的关键——它将是一台可以学习一切、完成任何任务的机器。“通用智能”的概念类似于人脑，这意味着人工通用智能不再能够像现有的真正的AI系统那样专注于狭窄的单一学习任务，而是能够学习所有的知识，并将经验从一个领域转移到另一个领域——而无需大量的再培训。
DeepMind成立于英国，2014年被谷歌收购。他们希望突破目标驱动系统和其他AI模型的能力，解决各种最复杂的机器智能问题。从专业围棋AI系统AlphaGo的设计开始，DeepMind迅速开发出了AlphaZero，可以从零开始学习任何游戏，并迅速获得远超普通人类的技术水平。在过去，AlphaGo需要几个月的时间来学习完成的游戏技巧。现在基于强化学习的AlphaZero只需要几天就可以完成。从零开始，以提高胜率为唯一目标，AlphaZero已经在多达100场的测试赛中干掉了AlphaGo。
正如科技行业的从业者乐于使用新成果一样，DeepMind也在努力将新发现转化为可能的实际应用。AlphaZero是使用当时最前沿的技术创建的，一直被用于促进神经科学和行为心理学的研究。此外，人们还在利用这些技术开发强大的通用学习算法，或许人工通用智能领域的真正突破将在几年后开始出现。
对于整个人工智能行业来说，机器学习可以算是发展过程中的一个十字路口。目前应用最广泛的算法主要负责解决重要但相对简单的问题。虽然机器已经证明了它具有识别图像、理解语音、发现模式、识别异常和进行预测的能力，但这样的算法在准确完成任务之前，仍然需要大量的训练数据和狭窄的学习任务作为基础。在这种情况下，机器学习需要大量的数据和相当的计算资源。如果你要解决的任务足够复杂，可能需要准备PB甚至更高的训练数据，投入几十万美元租用GPU密集型的计算资源，等待几个月。显然，单靠这样的暴力手段，永远无法实现人工通用智能。
目标驱动系统模式属于目前七种主流AI模式中出现频率最低的一种，但也是最有可能突破数据和计算密集型壁垒的关键。好消息是，如今，越来越多的目标驱动系统正在有实际用例的项目中实现。凭借其光明的发展前景，它也成为最有趣和最值得期待的模式之一。
