您有一张“无限滑翔机”登机牌，请查收！

2017 年 8 月 23 日 微软丹棱街5号 Allison Linn

丹棱君有话说：天空和飞鸟，不仅给诗人创造了浪漫的意境，还给科学家带来了研究的灵感。近日，在内华达州霍桑的小型机场有这样一场特殊的飞行试验——一只搭载 AI 系统的“无限滑翔机”希望像飞鸟一样，在空中实现飞行和停留的完美衔接。这套 AI 系统是怎么让滑翔机在没有马达驱动和人工帮助的情况实现自主飞行的？这架“无限滑翔机”的飞行试验结果如何？乘客您好，欢迎您搭乘“无限滑翔机”，请系好安全带，我们即将起飞~

近日，微软研究团队的两名成员 Jim Piavis 和 Rick Rogahn 在内华达州霍桑的小型机场内进行了一项“无限滑翔机”的飞行试验，他们希望能够创建一个系统，借助人工智能，让滑翔机像鸟类一样，自主发现和捕捉自然产生的热气流，在无须马达的情况下停留在空中。

微软首席研究员 Ashish Kapoor 表示：“鸟类之所以能够在空中实现飞行和停留的无缝衔接，最重要的就是借助自然的力量。他们仅凭花生米那么小的大脑就做到了这一点。”

鸟类能够本能地做到在空中停留，但对于一台机器而言，则需要一套复杂的 AI 算法，以识别气温、风向和禁飞区域等要素。同时，系统必须使用其他 AI 手段来分析这些信息，并实时预测下一个可以利用的热气流。总而言之，这比人们目前所使用的照片人脸识别和语句单词识别等大多数面向单一任务的 AI 系统要复杂得多，它可能是少数在现实世界中运行的不仅要进行预测而且还要根据预测结果采取行动的 AI 系统之一。

目前，无限滑翔机仍在开发当中，但最终它可以用于执行各种实用任务，例如监测农村地区的农作物生长，或者在条件艰苦地区提供移动互联网服务等。Kapoor 说：“有朝一日，它可能成为你的移动通信信号塔，你不再需要任何地面基础设施。”滑翔机最终甚至可以使用太阳能或风力发电获得能源，理论上可以无限期地在空中停留。

现实世界中的 AI：零错容忍

自主滑翔机本身就已经大有用武之地，但负责项目研究及工程开发工作的微软研究员 Andrey Kolobov 表示，他们希望这项研究还可以应用于大量其它依赖人工智能且日益复杂的系统，并将能够在真实而不可预测的环境中运行。“对于我们而言，这架滑翔机是一个技术测试平台，用于测试未来十年内任何智能系统的核心技术。”

对于那些依靠 AI 来帮助驾驶汽车、保护住宅安全或管理繁忙日程的人而言，这些系统必须根据交通流量、噪音、天气等变量，甚至包括人类情感等其它条件，能够当场做出可靠的复杂决策。更重要的是，它们决不能犯那些会引发重大损失和潜在危险的错误。在研究领域中，这种能力被称为在不确定性条件下进行序贯决策。

Kolobov 说：“现实世界中的 AI 不允许有犯错误的余地——就像我们的滑翔机一样。真正的问题在于‘你如何提前几步规划未来？’从计算科学的角度上看，这是一个非常困难的问题。”

理论付诸行动：有效模型 + 有效手段

本次实验中测试的滑翔机依靠电池来运行机载计算设备和方向舵以及与地面联络的无线电台等控制系统。它还备有一台马达，以便飞手可以在必要时接管，进行手动操作。但是在设计上，一旦升空后，它就应该自主运行，发现和利用热气流飞行，不需要马达或人工帮助。 Kolobov 说：“我们要做的是确保滑翔机完全自主运行，而且足够聪明，能够改变飞行方向。”

为了设计这套系统，研究团队从一个框架入手，来解决一个被称为“部分可见马尔可夫决策过程”的问题。Kolobov 曾与他人共同撰写了一本关于马尔可夫决策过程的书，他说，这是一个旨在无法了解所有信息的情况下做出规划决策的模型。通过滑翔机实验，团队将这个模型与另一种 AI 手段（贝叶斯强化学习）相结合，开创了一种新方法，能够让系统尽快掌握其所处环境所需的信息，以便做出正确的决策。团队还使用了“蒙特卡罗树型搜索”的方法来寻求最优方案。

从左至右：Debadeepta Dey、Andrey Kolobov、Rick Rogahn、Ashish Kapoor、Jim Piavis

滑翔机的 AI 系统可分为两部分：高级规划器和低级规划器。高级规划器将所有的环境因素纳入考虑，并尝试制定一项策略，以便让滑翔机知道应该去哪里寻找热气流。随着时间推移，飞行器将能够根据每次升空所收集的信息，做出更好的预测。Kolobov 说：“对于高级规划器而言，经验十分重要。系统今天的表现会比昨天更好，因为它（在决策中）纳入了既往飞行的信息。”

低级规划器部分可以说是“在实干中学习”，它使用贝叶斯强化学习方法，根据滑翔机传感器发回的数据实时侦测和锁定热气流。

实测：与模拟截然不同的全新体验

团队在微软位于华盛顿州雷德蒙的园区办公室内花了好几个月时间创建这些 AI 算法。随着天气转暖、热气流状况越来越好，该团队在公司总部附近的农场进行了受限飞行测试。然而，直至 8 月中旬他们来到内华达州霍桑的那座小型机场，才真正有机会见证他们的各项理论在现实世界中的表现如何。

在滑翔机飞行过程中，研究员们开着一辆敞篷吉普和一辆加长 SUV 在地面实时跟踪。坐在吉普车上的同事们用肉眼观察滑翔机的位置。而研究实习生 Iain Guilliard 和 Sangwoo Moon（两人都参与编写了驱动系统的核心算法）则在 SUV 里使用四台笔记本电脑跟踪滑翔机动向，并监测它如何利用包括热气流在内的各项条件，每隔几秒钟，Guilliard 就会大声报出滑翔机的飞行参数。而编写了滑翔机热气流预测模块的微软研究员 Debadeepta Dey，和 Kolobov 轮流驾驶着这辆 SUV，作为移动办公室，紧跟在吉普车和滑翔机之后。

从左至右：Kolobov、Iain Guilliard 、Sangwoo Moon

除了捕捉热气流之外，系统还需要规划自身飞行路线，以躲避某些障碍，例如附近的山脉、大型湖泊以及美国陆军在试飞地点附近地区的数十个弹药存放点。现实世界环境的复杂，以及在办公室里无法预测的各种障碍，为这个系统提供了完美的测试场所。

事实上，他们遭遇的许多问题与 AI 并没有任何关系。例如，接受测试的最大的一台滑翔机就遇到了通信系统故障，研究团队怀疑是因为道路灰尘中的磁性颗粒导致了电子部件损坏。在一次测试中，滑翔机马达出现了故障，他们试图用弹力绳将滑翔机拴在汽车上进行发射时，弹力绳又断了。

每遇到一次挫折，团队都会耐心地设法找到解决方案：修理马达、连结弹力绳、寻找新电池组、当一架滑翔机无法继续服役时就拉出另外一架…… Kolobov 说，正是现实世界中的这些问题才吸引了如此众多的人来参与这个项目。这也是为什么他们不会因为遇到每一个意想不到的挫折而气馁的原因。

“现实与模拟不同，” Kolobov 说：“这是我们到这里来的原因。我们来到这里学习，尽管现在学到的并不一定符合我们最初的期望，但仍然非常值得。”

“算法比我还厉害”

8 月 11 日，团队在霍桑机场进行了最后一次汇报。在大约一小时前的最后一次试飞中，刚开始，算法完全按照预期方式完成了预定任务，将滑翔机送上了蓝天，但随后电池组意外失效，滑翔机以惊人的速度俯冲向地面。作为人类飞手的 Rogahn 在最后时刻重新获得滑翔机的操控，在飞行器距离地面只有几英寸的时候避免了坠毁。