所谓机器学习，是指计算机获取新的知识或技能，重新组织已有的知识结构，从而不断改善自身的性能。这是人工智能（AI）的核心，也可看作是使计算机具有智能的根本途径。为了应对上述挑战，通过机器学习训练算法来控制滑翔机以利用热量上升，韦格索拉教授及其团队将眼光瞄准机器学习中的“强化学习”。这是一种动态机器学习技术，其中的智能主体通过与其环境相互作用来学习，就像孩子学习一样：行为正确会被“奖励”，行为不当则被“惩罚”。

　　研究表明，未来的自动驾驶飞机可以利用热能，而不是依赖嘈杂和能源密集的引擎提供的动力来飞行。AI能帮助我们确切地弄清楚在天空中爬升的鸟类为何做得如此之好。科学家在训练他们的算法时发现，要教导系统滑翔机平稳飞行，一些因素尤其是垂直风加速度和侧向扭矩非常重要，同样的情况可能适用于鸟类。

　　这虽然不是第一次将AI用于此类任务，微软去年公布了与滑翔机类似的研究成果，但是第一次使用真实飞行的数据来更新和改善AI在该领域的表现。研究团队编写了一个程序，让两米翼展的滑翔机在加利福尼亚州波威的天空中进行了大约240次飞行训练，平均持续了大约3分钟，根据机载仪器对周围环境的测量结果，调整其在空中的俯仰和侧滚动作。

　　研究团队以几天试飞总结出的经验为基础，设计了一种导航策略：将垂直风加速度和侧向扭矩（用于让滑翔机左右旋转的力）作为导航线索，寻求的奖励是最大化其爬升率（它获得高度的速度）。“滑翔机在良好的情况下能在高空停留大约45分钟。在另一些试飞中，滑翔机因风力太大无法处理，不得不过早地将它取回。”格索拉教授介绍说，“我们的滑翔机有几次受到了老鹰的攻击，还有一些老鹰和滑翔机一起利用气流爬升。”

　　科学家指出，热量只是鸟类在爬升时利用的一种上升气流，其他的则是由气流溢出山脊或山峦密集的区域中的气团碰撞产生的，比如海岸和沙漠边界等地方。换句话说，仅仅因为AI可以驾驭热量产生的气流，并不意味着它已经准备好迎接自然界所提供的各种风。在真正使用AI控制飞行中的滑翔机进行实际工作之前，还有很多工作要做。未来，如果能对如何识别强大上升气流的导航线索进行补充研究，将进一步增强人类对鸟类飞行模式和动力的理解，并有助于开发更高效的远距离自主滑翔机。

　　韦格索拉教授及其同事对制造AI驾驶的利用热量的自动滑翔机充满信心，这种技术还可以用于长期的科学调查和其他雄心勃勃的项目，如跟踪鸟类端到端的迁移。“通过学习如何像鸟儿一样飞翔，能了解更多关于它们生活的方方面面。”他指出，“与此同时从鸟儿身上学到许多知识，可以教我们的飞机做同样的事情。”　　   李忠东