DeepMind帶來(lái)新驚喜：成功解決AI打怪最大痛點(diǎn)

2021-07-29 09:37:37來(lái)源：雷鋒網(wǎng)

DeepMind 又冷不丁給了我們一個(gè)小驚喜。

我們都知道，強(qiáng)化學(xué)習(xí)苦于泛化能力差，經(jīng)常只能針對(duì)單個(gè)任務(wù)來(lái)從頭開(kāi)始學(xué)習(xí)。

像 DeepMind 之前開(kāi)發(fā)的 AlphaZero，盡管可以玩轉(zhuǎn)圍棋、國(guó)際象棋和日本將棋，但對(duì)每種棋牌游戲都只能從頭開(kāi)始訓(xùn)練。

泛化能力差也是 AI 一直被詬病為人工智障的一大原因。人類(lèi)智能厲害的一點(diǎn)就是，可以借鑒之前的經(jīng)驗(yàn)，迅速適應(yīng)新環(huán)境，比如你不會(huì)因?yàn)槭堑谝淮纬源ú耍涂粗豢邙x鴦鍋不知所措，你吃過(guò)潮汕火鍋嘛，不都是涮一下的事情嘛。

但是，泛化能力也不是一蹴而就的，就像我們玩游戲的時(shí)候，也是先做簡(jiǎn)單任務(wù)，然后逐步升級(jí)到復(fù)雜任務(wù)。在游戲《空洞騎士》中，一開(kāi)始你只需要隨意走動(dòng)揮刀砍怪就行，但在噩夢(mèng)級(jí)難度的“苦痛之路”關(guān)卡中，沒(méi)有前面一點(diǎn)點(diǎn)積累的爛熟于心的技巧，只能玩?zhèn)€寂寞。

1 多任務(wù)元宇宙

DeepMind 此次就采用了這種“課程學(xué)習(xí)”思路，讓智能體在不斷擴(kuò)展、升級(jí)的開(kāi)放世界中學(xué)習(xí)。也就是說(shuō)，AI 的新任務(wù)(訓(xùn)練數(shù)據(jù))是基于舊任務(wù)不斷生成的。

在這個(gè)世界中，智能體可以盡情鍛煉自己，簡(jiǎn)單的比如“靠近紫色立方體”，復(fù)雜一點(diǎn)的比如“靠近紫色立方體或?qū)ⅫS色球體放在紅色地板上”，甚至還可以和其他智能體玩耍，比如捉迷藏 ——“找到對(duì)方，并且不要被對(duì)方找到”。

每個(gè)小游戲存在于世界的一個(gè)小角落，千千萬(wàn)萬(wàn)個(gè)小角落拼接成了一個(gè)龐大的物理模擬世界，比如下圖中的幾何“地球”。

總體來(lái)說(shuō)這個(gè)世界的任務(wù)由三個(gè)要素構(gòu)成，即任務(wù) = 游戲 + 世界 + 玩家，并根據(jù)三個(gè)要素的不同關(guān)系，決定任務(wù)的復(fù)雜度。

復(fù)雜度的判斷有四個(gè)維度：競(jìng)爭(zhēng)性，平衡性，可選項(xiàng)，探索難度。

比如在“搶方塊”游戲中，藍(lán)色智能體需要把黃色方塊放到白色區(qū)域，紅色智能體需要把黃色方塊放到藍(lán)色區(qū)域。這兩個(gè)目標(biāo)是矛盾的，因此競(jìng)爭(zhēng)性比較強(qiáng);同時(shí)雙方條件對(duì)等，平衡性比較高;因?yàn)槟繕?biāo)簡(jiǎn)單，所以可選項(xiàng)少;這里 DeepMind 把探索難度評(píng)為中上，可能是因?yàn)槎ㄎ粎^(qū)域算是比較復(fù)雜的場(chǎng)景。

再例如，在“球球喜歡和方塊一起玩”游戲中，藍(lán)色和紅色智能體都有一個(gè)共同的目標(biāo)，讓相同顏色的球體和方塊放在相近的位置。

這時(shí)候，競(jìng)爭(zhēng)性自然很低;平衡性毋庸置疑是很高的;可選項(xiàng)相比上面的游戲會(huì)高很多;至于探索難度，這里沒(méi)有定位區(qū)域，智能體隨便把球體和方塊放哪里都行，難度就變小了。

基于這四個(gè)維度，DeepMind 打造了一個(gè)任務(wù)空間的、超大規(guī)模的“元宇宙”，幾何“地球”也只是這個(gè)元宇宙的一個(gè)小角落，限定于這個(gè)四維任務(wù)空間的一個(gè)點(diǎn)。DeepMind 將這個(gè)“元宇宙”命名為 Xland，它包含了數(shù)十億個(gè)任務(wù)。

來(lái)看看 XLand 的全貌，它由一系列游戲組成，每個(gè)游戲都可以在許多不同的模擬世界中進(jìn)行，這些世界的拓?fù)浜吞卣髌交刈兓?/p>

2 終生學(xué)習(xí)

數(shù)據(jù)有了，那么接下來(lái)就得找到合適的算法。DeepMind 發(fā)現(xiàn)，目標(biāo)注意網(wǎng)絡(luò) (GOAT) 可以學(xué)習(xí)更通用的策略。

具體來(lái)說(shuō)，智能體的輸入包括第一視角的 RGB 圖像、本體感覺(jué)以及目標(biāo)。經(jīng)過(guò)初步處理后，生成中間輸出，傳遞給 GOAT 模塊，該模塊會(huì)根據(jù)智能體的當(dāng)前目標(biāo)處理中間輸出的特定部分，并對(duì)目標(biāo)進(jìn)行邏輯分析。

所謂邏輯分析是指，對(duì)每個(gè)游戲，可以通過(guò)一些方法，來(lái)構(gòu)建另一個(gè)游戲，并限制策略的價(jià)值函數(shù)的最優(yōu)值上限或者下限。

到這里，DeepMind 向我們提出了一個(gè)問(wèn)題：對(duì)于每個(gè)智能體，什么樣的任務(wù)集合才是最好的呢?換句話(huà)說(shuō)，在打怪升級(jí)中，什么樣的關(guān)卡設(shè)置才會(huì)讓玩家能順利地升級(jí)為“真”高手，而不是一刀 9999?

DeepMind 給出的答案是，每個(gè)新任務(wù)都基于舊任務(wù)生成，“不會(huì)太難，也不會(huì)太容易”。其實(shí)，這恰好是讓人類(lèi)學(xué)習(xí)時(shí)感到“爽”的興奮點(diǎn)。

在訓(xùn)練開(kāi)始時(shí)，太難或太容易的任務(wù)可能會(huì)鼓勵(lì)早期學(xué)習(xí)，但會(huì)導(dǎo)致訓(xùn)練后期的學(xué)習(xí)飽和或停滯。

實(shí)際上，我們不要求智能體在一個(gè)任務(wù)上非常優(yōu)秀，而是鼓勵(lì)其終身學(xué)習(xí)，即不斷去適應(yīng)新任務(wù)。

而所謂太難、太容易其實(shí)是比較模糊的描述。我們需要的是一個(gè)量化方法，在新任務(wù)和舊任務(wù)之間做彈性連接。

怎么不讓智能體在新任務(wù)中因?yàn)椴贿m應(yīng)而“暴死”呢?進(jìn)化學(xué)習(xí)就提供了很好的靈活性。總體來(lái)說(shuō)，新任務(wù)和舊任務(wù)是同時(shí)進(jìn)行的，并且每個(gè)任務(wù)有多個(gè)智能體參與“競(jìng)爭(zhēng)”。在舊任務(wù)上適應(yīng)得好的智能體，會(huì)被選拔到新任務(wù)上繼續(xù)學(xué)習(xí)。

在新任務(wù)中，舊任務(wù)的優(yōu)秀智能體的權(quán)重、瞬時(shí)任務(wù)分布、超參數(shù)都會(huì)被復(fù)制，參與新一輪“競(jìng)爭(zhēng)”。

并且，除了舊任務(wù)中的優(yōu)秀智能體，還有很多新人參與，這就引進(jìn)了隨機(jī)性、創(chuàng)新性、靈活性，不用擔(dān)心“暴死”問(wèn)題。

當(dāng)然，在每個(gè)任務(wù)中不會(huì)只有一種優(yōu)秀智能體。因?yàn)槿蝿?wù)也是不斷在生成的、動(dòng)態(tài)變化的，一個(gè)任務(wù)可以訓(xùn)練出有不同長(zhǎng)處的智能體，并往不同的方向演化(隨著智能體的相對(duì)性能和魯棒性進(jìn)行)。

最終，每個(gè)智能體都會(huì)形成不同的擅長(zhǎng)任務(wù)的集合，像極了春秋戰(zhàn)國(guó)時(shí)期的“百家爭(zhēng)鳴”。說(shuō)打怪升級(jí)顯得格局小了，這簡(jiǎn)直是在模擬地球嘛。

DeepMind 表示，“這種組合學(xué)習(xí)系統(tǒng)的迭代特性是，不優(yōu)化有界性能指標(biāo)，而是優(yōu)化迭代定義的通用能力范圍，這使得智能體可以開(kāi)放式地學(xué)習(xí)，僅受環(huán)境空間和智能體的神經(jīng)網(wǎng)絡(luò)表達(dá)能力的限制。”

3 智能初現(xiàn)

最終，在這個(gè)復(fù)雜“元宇宙”中升級(jí)、進(jìn)化、分流的智能體形成了什么優(yōu)秀物種呢?

DeepMind 說(shuō)道，智能體有很明顯的零樣本學(xué)習(xí)能力，比如使用工具、打圍、數(shù)數(shù)、合作 & 競(jìng)爭(zhēng)等等。

來(lái)看幾個(gè)具體的例子。

首先是，智能體學(xué)會(huì)了臨場(chǎng)應(yīng)變。它的目標(biāo)有三個(gè)：

1、將黑色金字塔放到黃色球體旁邊;

2、將紫色球體放到黃色金字塔旁邊;

3、將黑色金字塔放到橙色地板上。

AI 一開(kāi)始找到了一個(gè)黑色金字塔，想著把它拿到橙色地板上(目標(biāo) 3)，但在搬運(yùn)過(guò)程中瞄見(jiàn)了一個(gè)黃色球體，瞬間改變主意，“我可以實(shí)現(xiàn)目標(biāo) 1 啦”，將黑色金字塔放到了黃色球體旁邊。

第二個(gè)例子是，不會(huì)跳高，怎么拿到高臺(tái)上的紫色金字塔?

在這個(gè)任務(wù)中，智能體需要想辦法突破障礙，取到高臺(tái)上的紫色金字塔，高臺(tái)周邊并沒(méi)有類(lèi)似階梯、斜坡一樣的路徑。

因?yàn)椴粫?huì)調(diào)高，所以智能體急的“掀桌子”，把周邊的幾塊豎起來(lái)的板子都弄倒了。然后，巧的是，一塊黑色石板倒在高臺(tái)邊上，“咦，等等，這不就是我要的階梯嗎?”

這個(gè)過(guò)程是否體現(xiàn)了智能體的智能，還無(wú)法肯定，可能只是一時(shí)的幸運(yùn)罷了。關(guān)鍵還是，要看統(tǒng)計(jì)數(shù)據(jù)。

經(jīng)過(guò) 5 代訓(xùn)練，智能體在 XLand 的 4,000 個(gè)獨(dú)立世界中玩大約 700,000 個(gè)獨(dú)立游戲，涉及 340 萬(wàn)個(gè)獨(dú)立任務(wù)的結(jié)果，最后一代的每個(gè)智能體都經(jīng)歷了 2000 億次訓(xùn)練步驟。

目前，智能體已經(jīng)能夠順利參與幾乎每個(gè)評(píng)估任務(wù)，除了少數(shù)即使是人類(lèi)也無(wú)法完成的任務(wù)。

DeepMind 的這項(xiàng)研究，或許一定程度上體現(xiàn)了“密集學(xué)習(xí)”的重要性。也就是說(shuō)，不僅是數(shù)據(jù)量要大，任務(wù)量也要大。這也使得智能體在泛化能力上有很好的表現(xiàn)，比如數(shù)據(jù)顯示，只需對(duì)一些新的復(fù)雜任務(wù)進(jìn)行 30 分鐘的集中訓(xùn)練，智能體就可以快速適應(yīng)，而從頭開(kāi)始用強(qiáng)化學(xué)習(xí)訓(xùn)練的智能體根本無(wú)法學(xué)習(xí)這些任務(wù)。

在往后，我們也期待這個(gè)“元宇宙”變得更加復(fù)雜和生機(jī)勃勃，AI 經(jīng)過(guò)不斷演化，不斷給我們帶來(lái)驚喜(細(xì)思極恐)的體驗(yàn)。

標(biāo)簽： DeepMind 元宇宙