DeepMind又冷不丁給了我們一個小驚喜。
我們都知道，強化學習苦于泛化能力差，經常只能針對單個任務來從頭開始學習。
像DeepMind之前開發的AlphaZero，盡管可以玩轉圍棋、國際象棋和日本將棋，但對每種棋牌游戲都只能從頭開始訓練。
泛化能力差也是AI一直被詬病為人工智障的一大原因。人類智能厲害的一點就是，可以借鑒之前的經驗，迅速適應新環境，比如你不會因為是第一次吃川菜，就看著一口鴛鴦鍋不知所措，你吃過潮汕火鍋嘛，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候，也是先做簡單任務，然后逐步升級到復雜任務。在游戲《空洞騎士》中，一開始你只需要隨意走動揮刀砍怪就行，但在噩夢級難度的“苦痛之路”關卡中，沒有前面一點點積累的爛熟于心的技巧，只能玩個寂寞。
多任務元宇宙
DeepMind此次就采用了這種“課程學習”思路，讓智能體在不斷擴展、升級的開放世界中學習。也就是說，AI的新任務（訓練數據）是基于舊任務不斷生成的。
在這個世界中，智能體可以盡情鍛煉自己，簡單的比如“靠近紫色立方體”，復雜一點的比如“靠近紫色立方體或將黃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——“找到對方，并且不要被對方找到”。
每個小游戲存在于世界的一個小角落，千千萬萬個小角落拼接成了一個龐大的物理模擬世界，比如下圖中的幾何“地球”。
總體來說這個世界的任務由三個要素構成，即任務=游戲+世界+玩家，并根據三個要素的不同關系，決定任務的復雜度。
復雜度的判斷有四個維度：競爭性，平衡性，可選項，探索難度。
比如在“搶方塊”游戲中，藍色智能體需要把黃色方塊放到白色區域，紅色智能體需要把黃色方塊放到藍色區域。這兩個目標是矛盾的，因此競爭性比較強；同時雙方條件對等，平衡性比較高；因為目標簡單，所以可選項少；這里DeepMind把探索難度評為中上，可能是因為定位區域算是比較復雜的場景。
再例如，在“球球喜歡和方塊一起玩”游戲中，藍色和紅色智能體都有一個共同的目標，讓相同顏色的球體和方塊放在相近的位置。
這時候，競爭性自然很低；平衡性毋庸置疑是很高的；可選項相比上面的游戲會高很多；至于探索難度，這里沒有定位區域，智能體隨便把球體和方塊放哪里都行，難度就變小了。
基于這四個維度，DeepMind打造了一個任務空間的、超大規模的“元宇宙”，幾何“地球”也只是這個元宇宙的一個小角落，限定于這個四維任務空間的一個點。DeepMind將這個“元宇宙”命名為Xland，它包含了數十億個任務。
來看看XLand的全貌，它由一系列游戲組成，每個游戲都可以在許多不同的模擬世界中進行，這些世界的拓撲和特征平滑地變化。
終生學習
數據有了，那么接下來就得找到合適的算法。DeepMind發現，目標注意網絡 (GOAT) 可以學習更通用的策略。具體來說，智能體的輸入包括第一視角的RGB圖像、本體感覺以及目標。經過初步處理后，生成中間輸出，傳遞給GOAT模塊，該模塊會根據智能體的當前目標處理中間輸出的特定部分，并對目標進行邏輯分析。所謂邏輯分析是指，對每個游戲，可以通過一些方法，來構建另一個游戲，并限制策略的價值函數的最優值上限或者下限。到這里，DeepMind向我們提出了一個問題：對于每個智能體，什么樣的任務集合才是最好的呢？換句話說，在打怪升級中，什么樣的關卡設置才會讓玩家能順利地升級為“真”高手，而不是一刀9999？DeepMind給出的答案是，每個新任務都基于舊任務生成，“不會太難，也不會太容易”。其實，這恰好是讓人類學習時感到“爽”的興奮點。
在訓練開始時，太難或太容易的任務可能會鼓勵早期學習，但會導致訓練后期的學習飽和或停滯。實際上，我們不要求智能體在一個任務上非常優秀，而是鼓勵其終身學習，即不斷去適應新任務。而所謂太難、太容易其實是比較模糊的描述。我們需要的是一個量化方法，在新任務和舊任務之間做彈性連接。怎么不讓智能體在新任務中因為不適應而“暴死”呢？進化學習就提供了很好的靈活性。總體來說，新任務和舊任務是同時進行的，并且每個任務有多個智能體參與“競爭”。在舊任務上適應得好的智能體，會被選拔到新任務上繼續學習。在新任務中，舊任務的優秀智能體的權重、瞬時任務分布、超參數都會被復制，參與新一輪“競爭”。并且，除了舊任務中的優秀智能體，還有很多新人參與，這就引進了隨機性、創新性、靈活性，不用擔心“暴死”問題。當然，在每個任務中不會只有一種優秀智能體。因為任務也是不斷在生成的、動態變化的，一個任務可以訓練出有不同長處的智能體，并往不同的方向演化（隨著智能體的相對性能和魯棒性進行）。最終，每個智能體都會形成不同的擅長任務的集合，像極了春秋戰國時期的“百家爭鳴”。說打怪升級顯得格局小了，這簡直是在模擬地球嘛。DeepMind表示，“這種組合學習系統的迭代特性是，不優化有界性能指標，而是優化迭代定義的通用能力范圍，這使得智能體可以開放式地學習，僅受環境空間和智能體的神經網絡表達能力的限制。”智能初現
最終，在這個復雜“元宇宙”中升級、進化、分流的智能體形成了什么優秀物種呢？DeepMind說道，智能體有很明顯的零樣本學習能力，比如使用工具、打圍、數數、合作&競爭等等。AI一開始找到了一個黑色金字塔，想著把它拿到橙色地板上（目標3），但在搬運過程中瞄見了一個黃色球體，瞬間改變主意，“我可以實現目標1啦”，將黑色金字塔放到了黃色球體旁邊。第二個例子是，不會跳高，怎么拿到高臺上的紫色金字塔？在這個任務中，智能體需要想辦法突破障礙，取到高臺上的紫色金字塔，高臺周邊并沒有類似階梯、斜坡一樣的路徑。因為不會調高，所以智能體急的“掀桌子”，把周邊的幾塊豎起來的板子都弄倒了。然后，巧的是，一塊黑色石板倒在高臺邊上，“咦，等等，這不就是我要的階梯嗎？”這個過程是否體現了智能體的智能，還無法肯定，可能只是一時的幸運罷了。關鍵還是，要看統計數據。經過5代訓練，智能體在 XLand 的 4,000 個獨立世界中玩大約 700,000 個獨立游戲，涉及340 萬個獨立任務的結果，最后一代的每個智能體都經歷了 2000 億次訓練步驟。目前，智能體已經能夠順利參與幾乎每個評估任務，除了少數即使是人類也無法完成的任務。DeepMind的這項研究，或許一定程度上體現了“密集學習”的重要性。也就是說，不僅是數據量要大，任務量也要大。這也使得智能體在泛化能力上有很好的表現，比如數據顯示，只需對一些新的復雜任務進行 30 分鐘的集中訓練，智能體就可以快速適應，而從頭開始用強化學習訓練的智能體根本無法學習這些任務。在往后，我們也期待這個“元宇宙”變得更加復雜和生機勃勃，AI經過不斷演化，不斷給我們帶來驚喜（細思極恐）的體驗。參考鏈接：
https://deepmind.com/blog/article/generally-capable-agents-emerge-from-open-ended-play
https://storage.googleapis.com/deepmind-media/papers/Open-Ended%20Learning%20Leads%20to%20Generally%20Capable%20Agents/open-ended-learning-paper.pdf
雷鋒網雷鋒網雷鋒網
雷峰網特約稿件，未經授權禁止轉載。詳情見轉載須知。
