当前实现激励的方法是某种人工奖励。例如， Deepmind 的 DQN是由游戏分数驱动的。分数越高越好。AI 学会调整其行为以获得最多的分数，从而获得最多的奖励。这称为强化学习。可以这么说，奖励会激励AI 调整其行为。

用更专业的术语来说，人工智能想要最大化效用，这取决于实现的效用函数。在 DQN 的情况下，这将最大化游戏中的分数。

人脑以类似的方式运作，虽然稍微复杂一些，而且通常不那么直接。作为人类，我们通常会尝试调整我们的行为以产生高输出的多巴胺和血清素。这类似于在强化学习期间用于控制 AI 的奖励。人脑会了解哪些动作会产生最多的这些物质，并找到最大化输出的策略。当然，这是对这个复杂过程的简化，但你明白了。

当您谈论动机时，请不要将其与意识或感受混为一谈。这些根本不是动力所必需的。如果你想讨论人工智能中的意识和感受质，那是完全不同的球赛。

孩子不是为了好奇而好奇。它在探索时得到积极的强化，因为孩子大脑的效用功能通过释放奖励性神经递质来奖励探索。所以机制是一样的。将此应用于人工智能意味着定义一个奖励新体验的效用函数。没有某种强化奖励，就没有内在动力。

这实际上是一个有趣的问题。

Jeff Hawkins 和 Sandra Blakeslee 合着的《论智力》一书中有一个关于“好奇心从何而来”的非常现实的想法。

它基于这样的陈述：

• 心灵创造了它自己存在的世界的模型。

• 它总是对所有事情做出预测（实际上 Jeff Hawkins 说这是智能的主要特征）。

• 当对某事的预测没有跟随世界的适当行为时，那么这件事对大脑来说会变得非常有趣（模型是错误的，应该纠正）并且需要更多的关注。

例如，当您看人的左眼时，您的大脑会预测这是一张人脸，并且右边应该有第二只眼睛。你向右看，看到一个..鼻子！多么惊喜！现在它需要你所有的注意力，并且你有动力对这种不适合你的模型的奇怪事物进行更多观察。

所以我想说，人工智能可能会根据它的模型做一些确定的事情，或者在它对世界做出的预测是真实的时候随机行事。但是一旦某个预测被打破，人工智能就会有动力对其模型进行纠错。

在一个简单的情况下，一台机器以完全随机的方式开始，只是用它的输出做它所能做的一切。虽然当它检测到某种顺序或重复模式时它没有模型或随机模型，但它会变得“感兴趣”并将其添加到模型中。一段时间后，模型变得更加复杂，可以做出更复杂的预测并检测模型中更高级别的错误。慢慢地，它会知道该怎么做才能观察到有趣的事情，而不仅仅是记住所有事情。

在强化学习课程的第一堂课中，我问了Richard Sutton 教授一个类似的问题。似乎有不同的方式来激励机器。事实上，在我看来，机器动机是一个专门的研究领域。

通常，机器受到我们所谓的目标函数或成本函数或损失函数的驱动。这些是同一概念的不同名称。有时，它们表示为

然后机器的目标是解决最小化问题，$\min_a L(a)$，或最大化问题，$\max_a L(a)$，取决于定义$L$.

我花了一些时间在游戏的背景下思考这个问题。

奖励函数的问题在于它们通常涉及加权节点，这很有用但最终没有实质意义。

这里有两个物质上有意义的奖励：

计算资源

考虑一个游戏，其中人工智能不是为了积分，而是为了处理器时间和内存。

算法在游戏中的表现越好，它可以访问的内存和处理就越多。这有一个实际效果——自动机可用的资源越多，它的能力就越强。（即，在时间和空间方面做出决定的合理性较小。）因此，算法将有“动机”赢得这样的竞争。

活力

任何具有足够“自我意识”的自动机，这里特指它需要能量来处理的知识，都会被激励自我优化自己的代码，以消除不必要的位翻转（不必要的能量消耗）。

这样的算法也将被激励以确保其电力供应，以便它可以继续运行。