【IT168 技术】每个人工智能（AI）问题往往都代表着一个新的领域，会带来新的复杂性和独特挑战。在解决AI问题时，通常最具挑战性的不是寻找解决方案，而是了解问题本身。因此，即便是最有经验的AI专家，也不愿意在没有完全理解手头的问题的情况下急于提出深度学习算法和开放式优化技术。

　　当我们在考虑如何利用AI解决某个问题时，往往倾向于从两个主要方面出发进行思考：数据集和模型。不过，这种思维方式忽略了AI问题中最具挑战性的方面：环境。

　　在设计AI解决方案时，我们花费大量时间专注于学习算法的结构（例如：监督、无监督、半监督），神经网络架构（例如：卷积，循环... ）或数据的特征（例如：标记的、未标记的......）。但通常很少关注AI解决方案运行环境的性质，事实证明，环境的特征是影响AI模型成功与否的关键因素。

　　区分AI环境有几个方面，如数据的型状和频率、问题的性质、在任何给定时间可用的知识量，都是区分不同AI环境的一些要素。深入研究这些特征可以帮助AI专家制定在算法选择、神经网络架构、优化技术以及AI应用程序生命周期等许多相关领域的策略。了解AI环境是一项非常复杂的任务，但从几个关键维度出发可以清楚地说明这一个过程。

　　AI环境分类的七个关键维度

　　理解AI环境的最有效方法之一，是将其分类为一系列众所周知的维度，这些维度通常仅有两个或三个分类。在可用于对AI环境进行分类的不同特征中，有七个关键的维度，可以快速了解AI代理的挑战和所需功能。

　　1、单个代理与多个代理

　　分类和AI环境最明显的维度之一是基于所涉及的代理的数量。如今，绝大多数AI模型都专注于涉及单个代理的环境，但多代理设置的扩展越来越多。在AI问题中引入多个代理会带来单一代理环境中不会存在的协作或竞争动态等挑战。

　　2、完整与不完整

　　完整的AI环境是指在任何给定时间，代理都有足够的信息来完成问题的分支。国际象棋是完整AI环境的一个典型例子。另一方面，扑克是一个不完整的环境，因为AI策略只能事前预测很多动作，而相反的，扑克专注于在任何给定时间找到一个好的“均衡”。著名的纳什均衡原理在不完整的AI环境中是非常有意义的。

　　3、完全可观察与部分可观察

　　完全可观察的AI环境可以访问完成目标任务所需的所有信息，图像识别就属于完全可观察的领域。部分可观察的环境（例如自动驾驶汽车场景的环境）处理部分信息以便解决AI问题，部分可观察的环境通常依赖于统计技术来推断环境的知识。

　　4、竞争与合作

　　竞争性的AI环境会面临AI代理之间的互相攻击，以优化特定的结果。围棋或国际象棋等游戏就是竞争性AI环境的典型例子。合作性的AI环境依赖于多个AI代理之间的协作，如自动驾驶汽车或智能家庭传感器交互等等。诸如点子游戏之类的多代理环境，同时包括协作和竞争动态，这使得它们从AI角度来看尤其具有挑战性。

　　5、静态与动态

　　静态AI环境依赖于不随时间频繁变化的数据知识源。语音分析就是静态AI环境的一个典型问题。与该模型相比，动态AI环境（例如无人机中的视觉AI系统）处理频繁变化的数据源。动态AI环境通常需要对AI代理进行更快、更频繁的训练。

　　6、离散与连续

　　离散AI环境是指有限(尽管是任意大的)可能性驱动任务最终结果的环境。国际象棋可以被归类为一个离散的AI问题。连续的AI环境依赖于未知且快速变化的数据源。多玩家型的电子游戏是连续AI环境的一个经典例子。

　　7、确定性与随机性

　　确定性AI环境是指可以基于特定状态确定结果的环境。根据决定论，我们特指的是忽略不确定性的AI环境。现实世界中的大多数AI环境都是不确定的，因此，它们就可以被归类为随机的。自动驾驶汽车是随机AI环境中最典型的例子之一，仿真环境甚至语音分析模型的设置会更简单一些。

　　理解AI环境是任何AI问题中最具挑战性的步骤之一，本文所探讨的七个维度有助于对AI环境进行比较明显的分类，并促进模型和架构的选择。尽管AI体系结构和优化技术已经取得了显著的进展，但是环境分析仍然是AI生命周期的一个非常主观的方面。

　　原文作者： Jesus Rodriguez