据谢菲尔德大学的研究人员说，现在机器可以通过简单地观察它们来了解自然系统或人工系统是如何工作的，而不必被告知要寻找什么。

这可能意味着世界上技术的进步，机器能够预测，除其他外，人类行为。

这一发现从开创性的计算机科学家艾伦·图灵的工作中得到了启发，他提出了一种测试，如果机器的行为与人类没有区别，它就可以通过测试。在这个测试中，审讯者在不同的房间里与两个玩家交换信息：一个人，另一个机器。

审讯者必须找出两个人中的哪一个是人。如果他们一直不这样做-这意味着他们不比他们随机选择一个玩家更成功-机器已经通过了测试，并被认为具有人类水平的智能。

谢菲尔德大学自动控制和系统工程系的罗德里希·格罗斯博士说：“我们的研究使用图灵测试来揭示一个给定的系统-不一定是人类-是如何工作的。在我们的例子中，我们将一群机器人置于监视之下，并想找出是哪些规则导致了它们的运动。为了做到这一点，我们将第二个由学习机器人组成的群体也置于监视之下.记录了所有机器人的运动情况，并向审讯者展示了运动数据。

他补充说：“与最初的图灵测试不同的是，我们的审讯者不是人类，而是自己学习的计算机程序。他们的任务是区分机器人和蜂群。他们被奖励正确地分类运动数据从原来的蜂群为真，而那些来自其他蜂群为假。那些成功地愚弄审讯者的学习机器人——让他们相信他们的运动数据是真实的——会得到奖励。”

格罗斯博士解释了这种称为“在学习中”的方法的优点，即人类不再需要告诉机器寻找什么。

“想象一下，你想让一个机器人像毕加索那样作画。传统的机器学习算法将对机器人的绘画进行评价，因为它们与毕加索的画有多么相似。但是，有人必须告诉算法，什么被认为是类似于毕加索开始。图灵学习不需要这样的先验知识。如果机器人画了被审讯者认为是真的东西，它只会奖励机器人。图灵学习将同时学习如何审问和如何绘画。”

格罗斯博士说，他相信图灵学习可以导致科学和技术的进步。

他说：“科学家们可以利用它来发现关于自然或人工系统的规则，特别是在使用相似性度量不容易描述行为的情况下。”

例如，电脑游戏可以在现实中获得好处，因为虚拟玩家可以观察和承担他们的人类对手的特征。他们不会简单地模仿所观察到的行为，而是揭示了是什么使人类玩家与众不同。”

这一发现也可以用来创建检测行为异常的算法。这可能有助于对牲畜进行健康监测和对机器、汽车和飞机进行预防性维修。

图灵学习也可以用于安全应用程序，例如用于测谎或在线身份验证。

到目前为止，格罗斯博士和他的团队已经在机器人群体中对图灵学习进行了测试，但下一步是揭示一些动物集体的工作，如鱼类或蜂群。这可能导致更好地理解哪些因素影响这些动物的行为，并最终为保护它们的政策提供信息。