赋权（人工智能）

人工智能领域的赋权正式化和量化（通过信息理论）了一个xxx认为它有影响其环境的潜力。一个遵循授权最大化政策的xxx，其行为是为了xxx化未来的选择（通常是在某个有限的范围内）。授权可以作为一个（伪）效用函数，它只依赖于从当地环境中收集的信息来指导行动，而不是寻求一个外部强加的目标，因此是一种内在的动机。赋权形式主义取决于人工智能中常用的概率模型。一个自主的代理在这个世界上通过接收感觉信息并采取行动来改变其状态或环境的状态，在感知和行动的循环中被称为感知-行动循环。xxx的状态和行动是由随机变量来模拟的行动的选择取决于当前的状态，而未来的状态则取决于行动的选择，因此在时间上展开的感知-行动循环形成了一个因果贝叶斯网络。

赋权并被正式定义为xxx的行动和这些行动在一段时间后的效果之间的xxx可能的信息流。赋权可以被认为是xxx未来影响其环境的潜力，由其传感器测量。赋值的单位取决于对数的基数。基数2是常用的，在这种情况下，单位是比特。

赋权xxx化可以作为一个伪效用函数，使xxx在不需要定义外部目标的情况下表现出智能行为，例如在没有向xxx提供任务指示的车杆平衡场景中平衡车杆。赋权已被应用于集体行为的研究和连续领域。就像一般的贝叶斯方法一样，随着行动的数量和时间范围的扩大，赋权的计算变得很昂贵，但是提高效率的方法已经导致了实时控制的使用。