通过“强化学习”，每个代理可以适应周围环境和小组协作。未来的分布式机器人可以相互学习，一起工作并共同完成复杂的任务。分布式代理（Agent）具有自治性，交互性，反应性和主动性。根据关于美国的最新报告，“有线”网络被称为“有线”网络。在杂志网站上，当前大多数的人工智能研究都集中在单个代理上（代理，指的是能够自主活动的软件或硬件实体），并且人工智能系统一直以个人身份运行，但是不能将这些单个代理合并为一个代理。团队学习和工作，他们也不能互相配合完成相应的任务。这种工作方式失去了巨大的机会。未来，机器人应该一起工作，互相学习。在分布式计算领域，人们通常将计算实体称为在分布式系统中继续独立运行并具有自治性，交互性，反应性和主动性的计算实体。例如，在街上独自开车的汽车，可以根据周围环境的变化不断调节的恒温器。未来，机器人可以相互学习，共同工作，从而改变物流（机器人完成订单并将其交付给家园）和太空探索（机器人合作探索新领域）等行业。真正的挑战是为实验室外的现实世界准备这些人工智能机器人。这是人工智能应涉及的领域。现实世界比人工智能机器人开发实验室环境要复杂得多。人们认为在团队合作中，别人在做什么？如何一起完成任务？这项任务将如何改变？还有很多。这些问题将全部被“考虑”到图2中。当机器人在团队中工作时。为了使机器人能够成组工作，允许代理商在周围环境中反复进行实验并像人类一样学习。利用他们开发的新算法和机器人行业的经验，他们对它们进行了优化，并使用了一种称为强化学习的机器学习技术来使它们适应周围的环境。该团队甚至进一步研究了当“多主体”被攻击时发生了什么。参加了。在新兴的“多代理”领域中存在许多问题。强化学习，包括：独立代理人如何在其他领域建立共识并达成协议？如何确保它们之间不断的对话不会淹没整个网络？当具有人工智能功能的机器人认为自己知道正确的做事方式却是错误的时，会发生什么呢？只有出现了可行的深度学习平台，才有可能真正回答这些问题。亚马逊的EC2 GPU实例支持AWS深度学习AMI环境。这些实例可以在云上执行非常复杂的计算，而无需管理机架和服务器。他们的最终目标是训练和运行强化学习模型的速度和准确性，以确保机器人足以应对现实世界中行为的影响。例如，当机器人不同意时，它们之间不断的na将不会淹没整个网络。在智能机器人可以共同学习的理想生态系统中，整体要大于各个部分的总和，这需要大量的技术努力才能实现。在Amazon Cloud Services（AWS），Boeing和IBM的共同资助下，Howe的团队进行了一段时间的深入研究，以运行具有足够计算能力的复杂强化学习算法，以使一组机器人保持持续的通讯和在线调整自己的行为。新的强化学习系统称为分层多主体教学。通过优化奖励功能和更有效的沟通，它成功地提高了机器人学习和协作解决团队内部问题的能力。借助基于云的服务，团队中的每个成员都可以根据自己的需求访问尽可能多的计算能力。