栗子懒 发自 凹非寺
量子位 报道 | 公众号 QbitAI
不是训练两小时，是相当于人类玩两小时。
AI玩个游戏，一定要打几十万上百万局才能学会？
谷歌大脑给自家的强化学习AI，建造了一个有的放矢的高效学习环境：基于视频预测的模拟器SimPLe。
团队说，模拟器的预测能力前所未有，有时可以一帧都不错：
左为模拟器，中为Ground Truth，右为差别
有了它，AI的学习压力明显减轻，只需要相当于人类玩两小时的训练强度，就能解锁雅达利游戏。
与优秀的无模型前辈Rainbow相比，基于模型的SimPLE要训练到相同的成绩，运动量能减少一个数量级。
乒乓球21：0
怎样的模拟器？
和许多游戏AI前辈不同，SimPLe的智能体不是在真实游戏里训练的。
它的游戏策略，完全是在模拟器里炼成的。
这里，有个视频预测模型，会给AI的每个动作预测一个结果。按照谷歌的传统，它也叫世界模型 (World Model) 。
为什么要有这个模型？
在许多雅达利游戏里面，随机探索是很难获得足够多样化的数据的：
有些地方智能体可能没去过，有些动作智能体可能没做过。
环境数据不够丰富，AI就不能更有效地学习。
所以，要让智能体用更高效的方法探索世界：
团队用了一个迭代过程，由数据收集、模型训练、策略训练三个阶段交替而成。
这样，随着智能体的策略 (Policy) 变得越来越好用，模拟器的预测能力也越来越强。
相辅相成之间，智能体不用像没头苍蝇随性试错，便能更快解锁游戏技能了。
怎样预测？
试用了几种不同的架构，团队发现最好的模型是前馈CNN，用一叠卷积编码了一个输入帧 (Input Frames) 的序列。
给定智能体做出的动作，模型就能依靠一叠反卷积 (Deconvolution) ，解码下一郑
研究人员还发现，给模型引入随机性(Stochasticity) 非常有效，可以让策略在更加丰富的场景里，得到训练。
具体做法是，加入一个潜在变量(Latent Variable) ，把它的样本加到瓶颈表征 (Bottleneck Representation) 里面去。
在这项研究的设定下，离散变量是最好用的，被编码成比特序列 (Sequences of Bits) 。
有点像变分自编码器 (Variational Autoencoder) ：潜在变量的后验，是基于整个序列近似出来的；
从后验里取出一个值，再用上输入帧和智能体的动作，来预测下一郑
最终，有了一个随机离散模型(Stochastic Discrete Model) ，长这样：
成果喜人
注意，团队并没有为了雅达利的不同游戏，特别调整过模型，也没有特别调整过超参数。
AI玩家表现
训练过程中，环境变化了40万帧，智能体和环境的互动，只有10万次：相当于人类玩耍两小时。
你看，AI打“乒乓球” (Pong) 已经能刷对方一个光头。可能找到了系统的弱点：
更有趣的是“过马路” (Freeway) 游戏。
看上去简单，但对探索的要求非常高。
在这里，智能体是只小鸡，它的进步是很慢的，因为不停地被车撞。
那么，很难成功过一次马路，所以几乎得不到奖励。
不过，SimPLe捕捉到这样稀有的事件，把它们内化到预测模型里面去，学习到优秀的策略。
对比一下，发现在过马路游戏里，达到相同的成绩，SimPLe和环境互动的次数比Rainbow前辈少了一个数量级。
而在大多数游戏里，SimPLe和环境的互动次数，都比Rainbow少了一半以上。
预测之星
拿到这样的成绩，模拟器的预测居功至伟。
团队在AI游戏视频里，发现了许多完美预测的片段，最长达到50个时间步。
比如，过马路里有连续的11秒，模型预测的每一帧都和Ground Truth一毛一样。
另外，乒乓球和打砖块(Brick) 里面，也发现过这样的片段。
团队说，把完美预测的时间再延长，是个很好的研究方向了。
也遇到了困难
有些游戏里，预测模型根本生成不了有用的预测。
研究人员说，最常见的原因，是有些很小的物体，左右了玩家的命运：
比如在亚特兰提斯 (Atlantis) 和战区 (Battle Zone) 里，子弹很小，又稍纵即逝。
团队说，如果想注意到它们，还是让视频预测模型，慢速高清地观察比赛现场吧。
论文传送门：
https://arxiv.org/abs/1903.00374
