DeepMind 的新強(qiáng)化學(xué)習(xí)系統(tǒng)是邁向通用 AI 的一步嗎？

來源 | 數(shù)據(jù)實(shí)戰(zhàn)派

這篇文章是我們對 AI 研究論文評論的一部分，這是一系列探索人工智能最新發(fā)現(xiàn)的文章。

對于已經(jīng)精通圍棋、星際爭霸 2 和其他游戲的深度強(qiáng)化學(xué)習(xí)模型來說，人工智能系統(tǒng)的主要挑戰(zhàn)之一是它們無法將其能力泛化到訓(xùn)練領(lǐng)域之外。這種限制使得將這些系統(tǒng)應(yīng)用到現(xiàn)實(shí)世界中變得非常困難，在現(xiàn)實(shí)世界中，情況比訓(xùn)練 AI 模型的環(huán)境復(fù)雜得多且不可預(yù)測。

最近，DeepMind 人工智能研究實(shí)驗(yàn)室的科學(xué)家根據(jù)一篇新的“開放式學(xué)習(xí)”倡議的博客文章中，聲稱已經(jīng)采取了“初步來訓(xùn)練一個(gè)能夠在不需要人類交互數(shù)據(jù)的情況下，玩許多不同游戲的代理”。他們的新項(xiàng)目包括一個(gè)具有真實(shí)動(dòng)態(tài)的 3D 環(huán)境和可以學(xué)習(xí)解決各種挑戰(zhàn)的深度強(qiáng)化學(xué)習(xí)代理。

根據(jù) DeepMind 的人工智能研究人員的說法，新系統(tǒng)是“創(chuàng)建更通用的代理邁出的重要一步，該代理具有在不斷變化的環(huán)境中快速適應(yīng)的靈活性。”

該論文的發(fā)現(xiàn)表明，在將強(qiáng)化學(xué)習(xí)應(yīng)用于復(fù)雜問題方面取得了一些令人印象深刻的進(jìn)步。但它們也提醒人們，當(dāng)前的系統(tǒng)距離實(shí)現(xiàn)人工智能社區(qū)幾十年來直夢寐以求的通用智能能力還有多遠(yuǎn)。

深度強(qiáng)化學(xué)習(xí)的脆弱性

強(qiáng)化學(xué)習(xí)的主要優(yōu)勢在于可以在執(zhí)行動(dòng)作和獲得反饋來發(fā)展行為的能力，類似于人類和動(dòng)物通過與環(huán)境互動(dòng)來學(xué)習(xí)的方式類似。一些科學(xué)家將強(qiáng)化學(xué)習(xí)描述為“首個(gè)智能計(jì)算理論”。

強(qiáng)化學(xué)習(xí)和深度神經(jīng)網(wǎng)絡(luò)的結(jié)合，稱為深度強(qiáng)化學(xué)習(xí)，是包括 DeepMind 著名的 AlphaGo 和 AlphaStar 模型在內(nèi)的許多強(qiáng)化 AI 的核心。在這兩種情況下，人工智能系統(tǒng)都能夠在各自的比賽中擊敗人類世界冠軍。

但強(qiáng)化學(xué)習(xí)系統(tǒng)的靈活性不足也是眾所周知的缺陷。例如，可以在專家級別玩星際爭霸 2 的強(qiáng)化學(xué)習(xí)模型將無法在任何能力級別玩具有類似機(jī)制的游戲（例如，魔獸爭霸 3）。即使對原始游戲稍有改動(dòng)，也會(huì)大大降低 AI 模型的性能。

“這些智能體通常被限制只能玩他們接受過訓(xùn)練的游戲，雖然游戲的布局、初始條件、對手可能會(huì)變化，智能體必須滿足的目標(biāo)在訓(xùn)練和測試之間保持不變。偏離這一點(diǎn)可能會(huì)導(dǎo)致代理的災(zāi)難性失敗，”DeepMind 的研究人員在一篇論文中寫道，該論文提供了有關(guān)其開放式學(xué)習(xí)的全部細(xì)節(jié)。另一方面，人類非常擅長跨領(lǐng)域轉(zhuǎn)移知識(shí)。

XLand 環(huán)境

DeepMind 新項(xiàng)目的目標(biāo)是創(chuàng)建“一個(gè)人工智能，其行為的概括超出了它所訓(xùn)練的游戲集?！?/p>

為此，該團(tuán)隊(duì)創(chuàng)建了 XLand，這是一個(gè)可以生成由靜態(tài)拓?fù)浜涂梢苿?dòng)對象組成的 3D 環(huán)境的引擎。游戲引擎模擬了剛體物理學(xué)，并允許玩家以各種方式使用對象（例如，創(chuàng)建斜坡、塊路徑等）。

XLand 是一個(gè)豐富的環(huán)境，可以在其中訓(xùn)練代理執(zhí)行幾乎無限數(shù)量的任務(wù)。XLand 的主要優(yōu)勢之一是能夠使用程序化規(guī)則自動(dòng)生成大量環(huán)境和挑戰(zhàn)來訓(xùn)練 AI 代理。這解決了機(jī)器學(xué)習(xí)系統(tǒng)的主要挑戰(zhàn)之一，該系統(tǒng)通常需要大量手動(dòng)策劃的訓(xùn)練數(shù)據(jù)。

根據(jù)博客文章，研究人員“在 XLand 中創(chuàng)建了數(shù)十億個(gè)任務(wù)，跨越不同的游戲、世界和玩家。”這些游戲包括非常簡單的目標(biāo)，例如在更復(fù)雜的設(shè)置中尋找對象，其中 AI 代理會(huì)權(quán)衡不同獎(jiǎng)勵(lì)的收益和權(quán)衡。一些游戲包括涉及多個(gè)代理的合作或競爭元素。

深度強(qiáng)化學(xué)習(xí)

DeepMind 使用深度強(qiáng)化學(xué)習(xí)和一些聰明的技巧來創(chuàng)建可以在 XLand 環(huán)境中茁壯成長的 AI 代理。

每個(gè)代理的強(qiáng)化學(xué)習(xí)模型接收世界的第一人稱視角、代理的物理狀態(tài)（例如，是否持有對象）及其當(dāng)前目標(biāo)。每個(gè)代理微調(diào)其策略神經(jīng)網(wǎng)絡(luò)的參數(shù)，以最大限度地提高當(dāng)前任務(wù)的回報(bào)。神經(jīng)網(wǎng)絡(luò)架構(gòu)包含一個(gè)注意力機(jī)制，以確保代理可以平衡完成主要目標(biāo)所需的子目標(biāo)的優(yōu)化。

一旦代理掌握了當(dāng)前的挑戰(zhàn)，計(jì)算任務(wù)生成器就會(huì)為代理創(chuàng)建一個(gè)新的挑戰(zhàn)。每個(gè)新任務(wù)都是根據(jù)代理的訓(xùn)練歷史生成的，并有助于在各種挑戰(zhàn)中分配代理的技能。 

DeepMind 還使用其龐大的計(jì)算資源對大量代理進(jìn)行并行培訓(xùn)，并在不同的代理之間傳輸學(xué)習(xí)參數(shù)，以提高強(qiáng)化學(xué)習(xí)系統(tǒng)的一般能力。

DEEPMind使用多步驟和基于人群的機(jī)制來培訓(xùn)許多強(qiáng)化學(xué)習(xí)代理

強(qiáng)化學(xué)習(xí)代理的性能是根據(jù)它們完成未經(jīng)訓(xùn)練的各種任務(wù)的一般能力來評估的。一些測試任務(wù)包括眾所周知的挑戰(zhàn)，例如“奪旗”和“捉迷藏”。

根據(jù) DeepMind 的說法，每個(gè)代理在 XLand 的 4,000 個(gè)獨(dú)特世界中玩了大約 700,000 個(gè)獨(dú)特的游戲，并在 340 萬個(gè)獨(dú)特任務(wù)中經(jīng)歷了 2000 億個(gè)訓(xùn)練步驟（在論文中，研究人員寫道，1 億個(gè)步驟相當(dāng)于大約 30 分鐘的訓(xùn)練） .

AI 研究人員寫道：“此時(shí)，我們的代理已經(jīng)能夠參與每一個(gè)程序生成的評估任務(wù)，除了少數(shù)甚至對人類來說都是不可能的?！?“而且我們看到的結(jié)果清楚地展示了整個(gè)任務(wù)空間的一般零樣本行為?！?/p>

零樣本機(jī)器學(xué)習(xí)模型可以解決訓(xùn)練數(shù)據(jù)集中不存在的問題。在 XLand 等復(fù)雜空間中，零樣本學(xué)習(xí)可能意味著代理已經(jīng)獲得了有關(guān)其環(huán)境的基本知識(shí)，而不是記住特定任務(wù)和環(huán)境中的圖像幀序列。

當(dāng)研究人員試圖為新任務(wù)調(diào)整它們時(shí)，強(qiáng)化學(xué)習(xí)代理進(jìn)一步表現(xiàn)出廣義學(xué)習(xí)的跡象。根據(jù)他們的發(fā)現(xiàn)，對新任務(wù)進(jìn)行 30 分鐘的微調(diào)，足以在使用新方法訓(xùn)練的強(qiáng)化學(xué)習(xí)代理中產(chǎn)生令人印象深刻的改進(jìn)。相比之下，在相同時(shí)間內(nèi)從頭開始訓(xùn)練的代理在大多數(shù)任務(wù)上的性能接近于零。

高級行為

根據(jù) DeepMind 的說法，強(qiáng)化學(xué)習(xí)代理表現(xiàn)出“啟發(fā)式行為”的出現(xiàn)，例如工具使用、團(tuán)隊(duì)合作和多步計(jì)劃。如果得到證實(shí)，這可能是一個(gè)重要的里程碑。深度學(xué)習(xí)系統(tǒng)經(jīng)常因?qū)W習(xí)統(tǒng)計(jì)相關(guān)性而不是因果關(guān)系而受到批評。如果神經(jīng)網(wǎng)絡(luò)能夠開發(fā)出高級概念，例如使用對象來創(chuàng)建斜坡或?qū)е抡趽?，它可能?huì)對機(jī)器人和自動(dòng)駕駛汽車等領(lǐng)域產(chǎn)生重大影響，而這些領(lǐng)域目前深度學(xué)習(xí)正在苦苦掙扎。

但這些都是重要的假設(shè)，DeepMind 的研究人員對就他們的發(fā)現(xiàn)得出結(jié)論持謹(jǐn)慎態(tài)度。他們在博文中寫道：“鑒于環(huán)境的性質(zhì)，很難確定意圖——我們看到的行為經(jīng)常看起來是偶然的，但我們?nèi)匀豢吹剿鼈兪冀K如一地發(fā)生?！?/p>

但是他們相信他們的強(qiáng)化學(xué)習(xí)代理“了解他們身體的基本知識(shí)和時(shí)間的流逝，并且他們了解他們遇到的游戲的高級結(jié)構(gòu)?！?/p>

這種基本的自學(xué)技能是人工智能社區(qū)備受追捧的另一個(gè)目標(biāo)。

智力理論

DeepMind 的一些頂尖科學(xué)家最近發(fā)表了一篇論文，其中他們假設(shè)單一獎(jiǎng)勵(lì)和強(qiáng)化學(xué)習(xí)足以最終實(shí)現(xiàn)通用人工智能 (AGI)?？茖W(xué)家們認(rèn)為，一個(gè)具有正確激勵(lì)機(jī)制的智能代理可以開發(fā)各種能力，例如感知和自然語言理解。

盡管 DeepMind 的新方法仍然需要在多個(gè)工程獎(jiǎng)勵(lì)上訓(xùn)練強(qiáng)化學(xué)習(xí)代理，但這符合他們通過強(qiáng)化學(xué)習(xí)實(shí)現(xiàn) AGI 的一般觀點(diǎn)。

Pathmind 的首席執(zhí)行官 Chris Nicholson 告訴 TechTalks：“DeepMind 在這篇論文中表明，單個(gè) RL 代理可以開發(fā)智能以實(shí)現(xiàn)多個(gè)目標(biāo)，而不僅僅是一個(gè)目標(biāo)，” “它在完成一件事時(shí)學(xué)到的技能可以推廣到其他目標(biāo)。這與人類智能的應(yīng)用方式非常相似。例如，我們學(xué)習(xí)抓取和操縱物體，這是實(shí)現(xiàn)從敲錘子到鋪床的目標(biāo)的基礎(chǔ)?！?/p>

Nicholson 還認(rèn)為，該論文發(fā)現(xiàn)的其他方面暗示了通向智能的進(jìn)展?！凹议L們會(huì)認(rèn)識(shí)到，開放式探索正是他們的孩子學(xué)會(huì)在世界中穿行的方式。他們從柜子里拿出一些東西，然后把它放回去。他們發(fā)明了自己的小目標(biāo)——這對成年人來說可能毫無意義——然后他們掌握了這些目標(biāo)，”他說。“DeepMind 正在以編程方式為其代理在這個(gè)世界上設(shè)定目標(biāo)，而這些代理正在學(xué)習(xí)如何一一掌握它們。”

Nicholson 說，強(qiáng)化學(xué)習(xí)代理也顯示出在他們自己的虛擬世界中開發(fā)具身智能的跡象，就像人類一樣?！斑@又一次表明，人們學(xué)習(xí)穿越和操縱的豐富而可塑的環(huán)境有利于通用智能的出現(xiàn)，智能的生物學(xué)和物理類比可以指導(dǎo)人工智能的進(jìn)一步工作，”他說。

南加州大學(xué)計(jì)算機(jī)科學(xué)副教授 Sathyanaraya Raghavachary 對 DeepMind 論文中的主張持懷疑態(tài)度，尤其是關(guān)于本體感覺、時(shí)間意識(shí)以及對目標(biāo)和環(huán)境的高級理解的結(jié)論。

“即使我們?nèi)祟愐矝]有完全意識(shí)到我們的身體，更不用說那些 VR 代理了，” Raghavachary 在對 TechTalks 的評論中說，并補(bǔ)充說，對身體的感知需要一個(gè)集成的大腦，該大腦被共同設(shè)計(jì)以實(shí)現(xiàn)合適的身體意識(shí)和空間位置。“與時(shí)間的流逝一樣——這也需要一個(gè)對過去有記憶的大腦，以及與過去相關(guān)的時(shí)間感。他們（論文作者）的意思可能與代理跟蹤由他們的行為（例如，由于移動(dòng)紫色金字塔）導(dǎo)致的環(huán)境中的漸進(jìn)變化，底層物理模擬器將產(chǎn)生的狀態(tài)變化有關(guān)。

Raghavachary 還指出，如果代理能夠理解他們?nèi)蝿?wù)的高層結(jié)構(gòu)，他們就不需要 2000 億步的模擬訓(xùn)練來達(dá)到最佳結(jié)果。

“底層架構(gòu)缺乏實(shí)現(xiàn)他們在結(jié)論中指出的這三件事（身體意識(shí)、時(shí)間流逝、理解高級任務(wù)結(jié)構(gòu)）所需的東西，”他說?！翱偟膩碚f，XLand 只是‘大同小異’?！?/p>

模擬與現(xiàn)實(shí)世界的差距

簡而言之，這篇論文證明，如果你能夠創(chuàng)建一個(gè)足夠復(fù)雜的環(huán)境，設(shè)計(jì)正確的強(qiáng)化學(xué)習(xí)架構(gòu)，并讓你的模型獲得足夠的經(jīng)驗(yàn)（并且有很多錢可以花在計(jì)算資源上），你將能夠泛化到同一環(huán)境中的各種任務(wù)。這基本上就是自然進(jìn)化賦予人類和動(dòng)物智能的方式。

事實(shí)上，DeepMind 已經(jīng)對 AlphaZero 做了類似的事情，AlphaZero 是一種強(qiáng)化學(xué)習(xí)模型，能夠掌握多個(gè)兩人回合制游戲。XLand 實(shí)驗(yàn)通過添加零樣本學(xué)習(xí)元素將相同的概念擴(kuò)展到更高的水平。

但是，雖然我認(rèn)為 XLand 訓(xùn)練的代理的經(jīng)驗(yàn)最終會(huì)轉(zhuǎn)移到現(xiàn)實(shí)世界的應(yīng)用中，例如機(jī)器人和自動(dòng)駕駛汽車，但我認(rèn)為這不會(huì)是一個(gè)突破。您仍然需要做出妥協(xié)（例如創(chuàng)建人為限制以降低現(xiàn)實(shí)世界的復(fù)雜性）或創(chuàng)建人為增強(qiáng)（例如將先驗(yàn)知識(shí)或額外傳感器注入機(jī)器學(xué)習(xí)模型）。

DeepMind 的強(qiáng)化學(xué)習(xí)代理可能已經(jīng)成為虛擬 XLand 的主人。但是他們的模擬世界甚至沒有真實(shí)世界的一小部分復(fù)雜性。在很長一段時(shí)間內(nèi)，這種差距仍將是一個(gè)挑戰(zhàn)。

參考鏈接：

https://bdtechtalks.com/2021/08/02/deepmind-xland-deep-reinforcement-learning/