据外媒报道，美国麻省理工学院(MIT)和微软公司(Microsoft)研究人员研发出一个新颖的模型，可识别出自动驾驶系统从训练中学习到的，但与真实世界不匹配的实例。工程师们可利用该模型提升无人驾驶汽车、自主机器人等人工智能系统的安全。

　　例如，为无人驾驶汽车提供动力的人工智能(AI)系统，在虚拟仿真场景中得到广泛的训练，以便让车辆为路上几乎所有事件都做好准备。但是，有时，汽车在真实世界中会出现意想不到的错误，因为汽车应该根据发生的事件改变行为，但是自动驾驶汽车的行为并不会改变。

　　如果有一辆无人驾驶汽车没有经过训练，更重要的是没有配备可以区别不同场景的传感器，如区分路上的大型白车以及配备了红色闪光灯的救护车。如果该车在高速公路上行驶，同时有一辆救护车鸣笛，该车可能并不知道要减速并且靠边停下，因为它没有了解该救护车与一辆普遍大白车的区别。此类现象称为“盲点”。

　　有一些传统的训练方法确实在实际测试运行期间提供人工反馈，但属于更新系统的操作。此类方法不能识别“盲点”，而识别盲点对于在现实世界中进行更安全的操作非常有用。而研究人员的方法是，首先将人工智能系统置于仿真训练中，在仿真训练中，人工智能系统将产生一种“策略”，映射它在仿真训练中所能采取的最佳行动。然后，该系统将被部署到真实世界中，如果该系统在真实世界中的操作属于不可接受的范围时，人类会提供错误信号。

　　此外，该模型可以进行实时纠正。例如，如果人工智能系统在某个情境下做出了错误决定，人类驾驶员会控制该系统，并做出正确决策，从而将会教会该系统未来在相似情境下应该怎么做。

　　研究人员还研发出一种方法，可确保AI不会将某一特定反应的所有实例都标记为安全行为。为防止此种情况，机器学习算法将会判断可接受和不可接受的反应，同时使用概率算法查看模式，并决定正做出的决策是完全正确的，还是可能会产生问题的。

　　目前，该模型还未在现实世界中接受测试。但是研究人员一直在使用视频游戏对其进行测试，在该游戏中，有一位仿真人类会为游戏中人物的行为进行纠正。下一步，研究人员可能将该模型应用与真正的自动驾驶汽车及其测试系统。