一个AI玩57个游戏,DeepMind离真正「万能」的AGI不远了!
郭一璞 栗子 安妮 发自 凹非寺
量子位 报道 | 公众号 QbitAI
DeepMind刚刚宣布,他们在多任务学习上取得了巨大的进展,也就是让单个智能体学会许多不同任务:
DQN(Deep Q-Network)现在可以用同样的算法一口气学会玩57个雅达利游戏了,而且玩得还不差,能达到人类中位数水平。
这意味着,人类离创造出会做许多不同事情的通用人工智能(AGI)又进了一步。
此前,每个智能体(agent)只会玩一个游戏,有专门玩《吃豆人》的,有专门玩《打砖块》的,有专门玩《乒乓球》的。如果让学会了《打砖块》的AI去玩《吃豆人》,那就会捡了芝麻丢了西瓜,等它学会《吃豆人》,就把《打砖块》给忘了。
直到去年3月,DeepMind才研究出新的算法,让AI学会《吃豆人》后不忘记《打砖块》怎么玩。
但在让1个AI学57个游戏时,DeepMind遇到了问题:
每个游戏的计分机制不同,奖励尺度也不同,AI只挑得分高的玩。
△ 乒乓球
拿玩乒乓球(Pong) 的游戏来举栗,每一步有三种可能的奖励:
-1:AI没接住对方发来的球,不仅没挣分,反而倒贴一分;
0:AI接住了球,进入了敌我双反循环往复的弹球过程,努力却没有收获;
+1:AI费了半天劲,终于让对方失手一次,才能得1分,名义上是1分,实际这1分来之不易。
但如果AI选择去玩吃豆人,只要一出门,就可以吃到一连串的豆豆,轻轻松松获得几十上百分,分多、事少、易上手。
之后每走一步 (转弯) ,可能的奖励就有很多种了:也许往前一格就死了,也许走十几格都没遇到敌人,也许无敌状态下吃掉几只敌人,分数会很不一样。
于是,只要不被敌人抓到,吃豆的奖励明显比打乒乓球高得多。
AI每天沉迷吃豆,忘记打球,醉心于一小部分游戏,全然不顾身上还肩负着代表全AI界、学会全部57个雅达利游戏的重任。
这该如何是好?
DeepMind想了想,推出了给智能体“修改KPI”的大杀器:
PopArt。
具体怎么玩?
PopArt技术,可以让不同游戏的奖励尺度互相适应起来,两个游戏就能受到相对平等的对待。
如此,就算分值的数量级相差很多,也不要紧。
研究人员用PopArt调教了当前最先进的强化学习智能体,使得一只AI可以学会57种雅达利游戏了,表现超过了人类的中位数。
其实,深度学习靠的是不断更新的权重。这样,输出的动作就会越来越接近理想的动作。
这在深度强化学习里,也一样适用。
PopArt的工作原理,就是估算各种目标动作之间的平均值,以彼此之间的差距有多大。通过游戏分值来估算。
然后,在更新权重之前,用这些统计数据,把目标动作归一化。
这样一来,学习过程就会变得比较稳定,不容易因为奖励尺度之类的因素而发生改变。
那么,怎样才能估计得准?
网络的输出值,可以重新调回真实目标的范围 (True Target Range) ,只要把归一化过程倒过来就好了。
如果写代码不仔细,统计数据会把所有没归一的输出全改了,就算是用不着归一就已经很好用的那种,也会改掉。
要预防这种情况,DeepMind找到了一个方法,每次更新统计数据的时候,都把网络朝着反方向更新一下。
这种操作会成功,表示调整奖励尺度 (同时,把之前学过的输出就留在那里不动) ,还是有用的。
团队说,之所以给AI起名PopArt (波普艺术) ,用意就是保存老的,加上新的。
PopArt替代的是奖励剪裁 (Reward Clipping) 。
一般来说,遇到奖励尺度不同的情况,研究人员会选择剪裁一下奖励。
把太大的和太小的,都调整到 [-1, 1] 的区间里,这是归一化的粗糙版。
虽然,这个方法学习起来更容易,但学习目标也会发生变化。
还是吃豆人的游戏,目标就是吃豆和吃敌人,每颗豆10分,吃掉敌人会获得200到1,600不等的分数。
剪裁奖励的话,吃豆和吃敌人可能就没区别了。这样训练出来的AI,很可能只吃豆,完全不去追敌人,毕竟吃豆容易。
这时候用PopArt归一化,来代替剪裁步骤,训练效果就截然不同了。智能体会去追敌人了,得的分数也高了许多。
实验结果
最后,研究人员将PopArt应用于Importance-weighted Actor-Learner Architecture (IMPALA)中,这是DeepMind此前提出的、最常用的深度强化学习智能体。
在ALE模拟器中,研究人员测试了57种Atari游戏中,智能体在奖励剪裁和未剪裁两种情况下,应用PopArt前后的得分情况。
△ 奖励剪裁后的得分情况
△ 奖励未剪裁的得分情况
可以看出,橙色的PopArt-IMPALA平均表现为人类正常得分中位数的110%,未剪裁版中的平均得分为人类水平的101%,可以看出,无论剪裁与否,PopArt都能提高智能体在游戏中的得分。
蓝色未应用PopArt的IMPALA智能体表现比较糟糕,无论是否经过了剪裁。剪裁后的基线总水平不足人类得分中位数的60%,未剪裁时的得分接近0%,与PopArt-IMPALA的表现形成了鲜明的对比。
此外,由于多任务PopArt使用了特定级别值增加了网络容量,因此研究人员进行了额外的实验,想解开增加网络容量对自适应归一化的影响。图中粉色的MultiHead-IMPALA走势,就是研究人员用特定级别的值预测,但不使用PopArt自适应标准化学习得到的结果。
实验表明,无论是否剪裁,MultiHead-IMPALA的表现都比IMPALA略差,这证实了PopArt-IMPALA的性能提升确实是源于自适应规模的变化(adaptive rescaling)。
研究人员还研究了每种智能体处理的总帧数的曲线。此前,DeepMind发布了任务集合DmLab-30,包含公共动作空间的视觉统一环境中的多种挑战性任务,训练智能体再好不过。
在这里,研究人员还是用自家的DmLab-30基准衡量应用了PopArt策略的效果优异程度。图中每一片颜色区域代表了最优得分和最差得分区间。可以看出,在家DMLab-30任务集合上训练时,仍然为PopArt策略下的智能体表现最好。
综上所述,与没有PopArt的基准智能体相比,PopArt大大提高了智能体的性能。无论奖励是否剪裁,PopArt智能体在游戏中的中位数得分高于人类中位数,远远高于结合了剪裁奖励的基准智能体。而具有未剪裁奖励的基线无法得出有意义的表现,因为它无法有效处理游戏中奖励规模的大幅度变化。
传送门
最后,附DeepMind官方博客地址:
https://deepmind.com/blog/preserving-outputs-precisely-while-adaptively-rescaling-targets/
论文Multi-task Deep Reinforcement Learning with PopArt地址:
https://arxiv.org/abs/1809.04474
— 完 —
加入社群
量子位AI社群28群开始招募啦,欢迎对AI感兴趣的同学,在量子位公众号(QbitAI)对话界面回复关键字“交流群”,获取入群方式;
此外,量子位专业细分群(自动驾驶、CV、NLP、机器学习等)正在招募,面向正在从事相关领域的工程师及研究人员。
进专业群请在量子位公众号(QbitAI)对话界面回复关键字“专业群”,获取入群方式。(专业群审核较严,敬请谅解)
诚挚招聘
量子位正在招募编辑/记者,工作地点在北京中关村。期待有才气、有热情的同学加入我们!相关细节,请在量子位公众号(QbitAI)对话界面,回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ'ᴗ' ի 追踪AI技术和产品新动态
一个AI玩57个游戏,DeepMind离真正「万能」的AGI不远了!相关推荐
- 5月14日社区技术直播【Analytics Zoo上的分布式TensorFlow训练AI玩FIFA足球游戏】
主题: Analytics Zoo上的分布式TensorFlow训练AI玩FIFA足球游戏 时间: 2020.5.14 19:00 参与方式: 扫描下方海报二维码加入钉钉群 或者 届时点击直播间直接观 ...
- 【Python小游戏】用AI玩Python小游戏FlappyBird【源码】
提示:如果本文对您有帮助,欢迎点赞支持! 文章目录 目录 前言 一.Flappy Bird是什么? 二.本项目简介 1.实现效果 2.游戏逻辑的相关链接 (1)游戏逻辑部分 (2)AI训练逻辑部分 说 ...
- 下围棋的 DeepMind 成了「药神」,这事儿和你我都有关
AI 介入医学让救治变得更高效,同时也在颠覆人类认识科学的方式. 「这将改变医学,改变研究,改变生物工程,」生物学家 Andrei Lupas 这样评价 Alphabet 旗下的 DeepMind 最 ...
- 一个AI玩遍多个游戏
文章目录 1.Decision Transformers模型结构 2.不同模型规模下的表现 3.模型预训练与关注点 前面我曾经介绍过很多在游戏圈比较出名的AI智能体.这些AI智能体往往能在MOBA类游 ...
- 如何训练AI玩飞机大战游戏
虽然没有谷歌强大的集群和DeepMind变态的算法的团队,但基于深度强化学习(Deep Q Network DQN )的自制小游戏AI效果同样很赞.先上效果图: 下面分四个部分,具体给大家介绍. /1 ...
- AI玩填字游戏,赢得全国锦标赛冠军!官方:不是人,没有奖金和名次
杨净 发自 家里 量子位 报道 | 公众号 QbitAI 上周,一年一度的美国填字游戏锦标赛(ACPT)落下了帷幕,共有1300多名人员线上参与. 最终官方认定,一位Tyler Hinman的玩家夺得 ...
- 50行的python游戏代码_使用50行Python教AI玩运杆游戏
编译:yxy 出品:ATYUN订阅号 嗨,大家好!今天我想展示如何使用50行Python代码教一台机器来平衡杆!我们将使用标准的OpenAI Gym作为我们的测试环境,并只使用numpy创建我们的智能 ...
- 强化学习实战 --- 用DQN让Ai玩吃豆子游戏吧
前景介绍 上期文章介绍TensorFlow入门基础篇,本意就是给介绍强化学习做一篇前置. 本期我们将尝试利用深度强化学习来让神经网络学习自动地玩一款经典的吃豆人小游戏.让我们愉快地开始吧~ 吃豆人小游 ...
- Meta开发了一个AI模型,尝试解决维基百科的「性别偏见」问题
来源:SiliconANGLE 出品:科技行者 撰文:海外来电 图片:海外来电 为了解决两性人物传记比例失衡的情况,Meta操碎了心. 维基百科一直是全球访问量Top 10的网站,是许多人搜索历史人物 ...
最新文章
- 自查自纠 | 线性回归,你真的掌握了嘛?
- 关于网站更新速度的一点小心得
- Ajax跨域请求action方法,无法传递及接收cookie信息(应用于系统登录认证及退出)解决方案
- 修改Docker容器字符编码为-zh_CN.UTF-8中文字符集
- linux redhat 命令大全,redhat Linux命令大全
- mac mysql打不开闪一下_mac系统上 MySQL Workbench意外退出,再也打不开
- linux系统关闭指定服务的方式
- python的输入和输出语句
- 2019年BAT面试通关宝典:数据结构+JVM+并发编程+分布式...
- 苹果cmsV10二开视频+图片+小说网站源码
- 微信开发工具出现 [渲染层网络层错误]
- goland 注释模板_论文写作标准格式模板
- ERDAS2013安装资源及破解步骤
- 用Python做一个会旋转的五彩风筝
- 小a与星际探索 线性基算法
- 现代IT项目中的需求管理如何做?
- 分享国产32位单片机灵动微MM32F主流型和超值型
- 推荐几款pdf文件转Excel表格转换器 注册码
- Qt介绍1---QPA(Qt Platform Abstraction)
- 甲方安全防御体系架构图
热门文章
- 水滴直播风波背后:事关隐私的恐慌和“委屈”的周鸿祎
- 第 8 章 MybatisPlus 扩展
- 第 18 章 访问者模式
- CSS使表格不变形(原创)
- 深度学习分类只有正样本_自动调制分类:一种深度学习的方法
- python实用库_python常用库
- php 监控nginx日志,nginx启用status监控服务器状态的方法详解
- c excel批量导入mysql数据库_Excel批量导入数据库
- Fiber 数据结构是怎样的?
- 在linux系统下java实现pdf导出汉字无法显示_Linux环境下iText生成pdf中文不显示问题...