1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。

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。

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