谷歌AI為達目的，把自己的身體改造成了這樣……

來源：量子位（QbitAI）強化學習AI打游戲，早就不稀奇了。智能體在虛擬世界里死去活來，慢慢了解怎樣的策略能讓自己活得更長，得到更多的獎勵。但AI可能不知道，游戲打不好，也可能是智能體的身體結構有問題。如果可以一邊學策略，一邊改身材，或許能成就更偉大的強化學習AI。于是，來自谷歌大腦的David Ha，為自家AI制定了雙管齊下的特殊訓練計劃：智能", "pubDate": "2018-10-15T15:28:13", "upDate": "2018-10-1 發布時間：2018-10-15瀏覽：3274次

谷歌AI為達目的，把自己的身體改造成了這樣……

　　文/強化栗

　　來源：量子位（QbitAI）

　　強化學習AI打游戲，早就不稀奇了。

　　智能體在虛擬世界里死去活來，慢慢了解怎樣的策略能讓自己活得更長，得到更多的獎勵。

　　但AI可能不知道，游戲打不好，也可能是智能體的身體結構有問題。

　　如果可以一邊學策略，一邊改身材，或許能成就更偉大的強化學習AI。

　　于是，來自谷歌大腦的David Ha，為自家AI制定了雙管齊下的特殊訓練計劃：

　　智能體不斷調整自己的身材，比如腿的長度，找到最適合當前任務的結構；同時進行策略訓練。

　　你看，智能體把腿跑細了，速度也快了許多。

　　除此之外，還可以培養越野能力。

　　在溝壑縱橫的旅途中，原始身材的智能體時常翻車。

　　但煉成優雅身型之后，翻車事件幾乎不存在了，策略訓練時間也縮減到原來的30%。

　　身材科學了，策略也就好學了。

　　那么，是怎樣的婀娜身段，能在降低時間成本的同時提升性能？再看一會兒你就知道了。

　　秀外慧中，有何密方？

　　從前的智能體，形狀結構大都是固定的，只關注策略訓練。可是，系統預先設定的身材，通常都不是 (針對特定任務) 最理想的結構。

　　因此，如同上文所說，策略要學，身材優化也要一起學。

　　這樣一來，只用策略網絡的權重參數 (Weight Parameters) 來訓練就不夠了，環境也要參數化。

　　身體結構特征，比如大腿或小腿的長度、寬度、質量、朝向等等，都是這環境的組成部分。

　　這里的權重參數w，把策略網絡參數和環境參數向量結合起來，便可以同時培養身材和技巧。

　　隨著權重w的不斷更新，智能體會越來越強。

　　身材改造有沒有用？只要和僅學策略、不改結構的智能體比一場，如果獎勵分有提升，就表示AI找到了更適合這個環境的身型。

　　注意，為了修煉AI的冒險精神，研究人員把高難度動作的獎勵擴大，引導智能體挑戰自我。

　　身材改造，療效甚好

　　比賽場地分兩大塊，一是基于Bullet物理引擎的機器人模擬庫Roboschool，二是基于Box2D物理引擎的OpenAI Gym。

　　兩類環境都經過了參數化，AI可以學著調整里面的參數。

　　解鎖高分姿勢

　　首先，來到足球場 (RoboschoolAnt-v1) ，這里的智能體Ant是只四腳怪，每條腿分三截，由兩個關節控制。腿是留給AI調節的，球狀身軀是不可調節的。

　　任務很簡單，跑得越遠越好。

　　經過訓練 (上圖右) ，智能體最明顯的變化是腿部更加細長了，且四條腿長短不一，打破了對稱性。身材改變之后，步頻也加快了許多，長腿怪更早穿過了棕色跑道。

　　看一下獎勵分：在100次測試里，原始結構的得分是3447 ± 251，而新結構的得分為5789 ± 479，療效顯著。

　　然后，進入綠地場景 (BipedalWalker-v2，基于Box2D，屬于Gym) 。這里的智能體是兩足的，在“激光雷達”的指引下往前走。

　　任務是在規定時間內，穿越一片和平的地形 (這是簡單版，充滿障礙物的復雜版見下文) 。用分數來看，100次Rollout超過300分就算任務成功。

　　原始身材獲得了347分，優化后的身材則有359分。

　　兩邊任務都成功了，但改造過結構的智能體除了瘦腿之外，兩腿四截的長度都有變化，給了AI彈跳前進的新姿勢。動作看上去更加輕松，分數也高過從前。

　　好身材，能加速策略學習

　　上文綠地的硬核版 (BipedalWalkerHardcore-v2) 在此：路途崎嶇，千山萬壑，一不小心就會墮入深淵。

　　David Ha要在此證明，強健的身材能為智能體的策略學習帶來加成，而不只是“兩門功課同步學”那樣粗暴的合體。

　　與之前的全面瘦腿不同，這次智能體的后腿，進化出了厚實的小腿，且長度和溝壑的寬度相近。

　　這樣一來，在跨越鴻溝的時候，后腿就能架起一座橋，保護智能體平穩通過，不翻車。

　　與此同時，前腿承擔了“危險探測器”的責任，偵查前方有怎樣的障礙物，作為“激光雷達”的輔助，可以給后腿的下一步動作提供依據。

　　重點是，在這副新身材誕生的過程中，AI已學會了通關策略，耗時僅12小時。對比一下，不做身材優化的原始訓練方法，用時長達40小時 (前饋策略網絡，96個GPU) 。

　　這就是說，優雅的結構加速了智能體的學習過程。

　　腦洞，并非從天而降

　　第一，David Ha如何能預感到，改善智能體的結構就可以提升訓練效率？

　　他說，是從大自然得到了啟發。

　　有些動物在腦死亡之后，依然可以蹦跳，依然可以游泳。

　　也就是說，生物體的許多行為，并不依賴大腦。

　　有種叫做體驗認知 (Embodied Cognition) 的理論認為，認知的許多特征，都不是大腦獨自決定：生物體的方方面面，如運動系統、感知系統、生物體與環境的相互作用等等，都會對認知產生影響。

　　比如，運動員在長期訓練的過程中，除了身體得到鍛煉，某些特定的心理素質也會隨之生成。

　　David Ha覺得，這樣的現象在AI身上也有可能發生：對軀體進行訓練，從而影響認知。

　　第二，通過訓練來改變智能體結構的想法，也是來源于自然。

　　中學生物告訴我們，表現型是基因型與環境共同作用的結果。

　　那么，各式各樣的虛擬場景，也會讓更適應環境的智能體結構脫穎而出。這樣，AI便可以借助環境的選擇，煉成更加精湛的技能。

　　緣，妙不可言。