“激情”的一种基本方法是预先为项目分配不同的“激情”区域，并将不同的数字“驱动力”与每个区域相关联（也许是自适应的）。托比·泰瑞尔（Toby Tyrell）广泛引用的关于“动物行动选择”的博士论文研究了这种机制

最近，在“内在动机”的标题下开发了一些更复杂的 AI 架构。

这是 Pierre-Yves Oudeyer 的论文链接，他是发育机器人领域的领先专家。

关于“这会使机器做得更好吗？”这个问题。，这在很大程度上取决于架构的开放程度：

如果我们不必将所有内容详细说明给机器，我们可以简单地在高层次上指定一个问题，并让其自身的动机促使它探索有希望的途径，这显然更容易。

相反，如果动机过于开放，它可能会将所有时间都花在相当于“在纸上涂鸦”（Hofstadter）上。

因此，与人一样，产出的质量将是其内部倾向的函数，并且可以以相同的方式对给定的任务进行衡量（例如，科学活动的数量，艺术的质量）。

有趣的问题。

好吧，如果你真的想一想，激情是什么？这种激情是如何变成一种激情的。您可能想在这里触及的主要主题之一是条件反射和动机。

考虑以下几点：

我对编程充满热情

为什么我对编程充满热情？

因为当我编写我的第一个程序时，我因完成了一个程序而得到了积极的强化，而消极的强化是因为我消除了没有完成程序的挫败感

为什么即使我感到沮丧，我也经历了编程挫折并坚持下去？

因为我想学编程

我为什么想学编程？

因为我想让 arduino 上的灯打开（投射强化物）

为什么我要打开 arduino 灯？

所以我可以学习编程，因为我虽然很酷（经典的条件反射关联，后来会得到加强，预计强化发生在打开 LED 之间的经典条件反射关联发生之后）

这可以通过神经网络来完成，其中每个关联都通过结果概率得到加强例如，我确实学习了 arduino，因为它似乎是开始编码的最简单方法，所以积极结果的概率很高

这是相反的情况假设我不知道微积分，而且我几乎不知道初等代数，如果有人开始教我积分，说这是开始学习更多数学的唯一方法，我不会有动力这样做，因为因为我什至无法概念化积分是什么，所以我很难理解它，因此我不会学习 calc

因此，我们也可以看出动机在小行为中得到了加强

您可能会使用的另一个更实际和现实的例子是

如果你把一只老鼠放在笼子里，让他按杠杆，你认为他会这样做吗？不。虽然如果你强化慢慢靠近杠杆的行为，最后他会杠杆按压，然后你会强化这种行为他会。

因此，激情是分开的，这就是你必须在你的新台币中做的事情，并在数学上做到这一点

眨眼眨眼：

小提示，是渐进式功能