超越AlphaZero！DeepMind让AI制霸「元宇宙」，玩转70万独立游戏

来源：deepmind

编辑：yaxin

【新智元导读】五年前，AlphaGo打败李世石那一刻，全世界为之惊呼！直到AlphaZero面世，象棋、将棋一战而胜。现在，DeepMind 为AI打造了一个「元宇宙」，宣称能玩全宇宙的游戏。

AlphaGo打败李世石那一刻，全世界惊呼！

50天不到，进化版的最强围棋 AI AlphaGo Zero 面世，却成为了 AlphaZero 的手下败将。

从一开始只知道下围棋的基本规则，到后来「跨界」击败国际象棋、日本将棋、和围棋世界冠军。

AlphaZero 再次打破了人们的对AI玩游戏的认知。

AlphaZero登上Science封面

别急，还有更重磅的！

刚刚，DeepMind 说自家通过强化学习训练的AI能够玩儿遍「全宇宙的游戏」！

还有多人3D游戏也不在话下。

在最新发布的预印本 「Open-Ended Learning Leads to General Capable Agents」中，详细介绍了，在不需要人类交互数据的情况下，训练能够玩不同游戏的智能体。

别看是AI，「打怪」也需成长时间

通过强化学习，AlphaZero在不断重复试错的过程中学会了一个又一个游戏。

问题在于，AlphaZero若想能够在不同游戏中「单打独斗」，还得在每个游戏「从头训练」后才能够实现。

包括 Atari，Capture The Flag，StarCraft II，Dota 2，和 Hide-and-Seek在内的游戏也是如此。

由于「苦于」泛化能力差，强化学习只能针对单个任务来从头开始学习。

要知道，泛化能力并不是一蹴而就。

我们玩游戏的时候，也是先从简单任务起步，逐渐变为复杂。

为此，DeepMind 研究人员创建了一个巨大的游戏环境，称之为 XLand。

让AI玩转「元宇宙」

XLand这样的环境，更形象地来说，便是最近我们常谈的「元宇宙」。

这个「元宇宙」的创建是为了让智能体在不断扩展、升级的开放世界中学习，AI的新任务（训练数据）是基于旧任务不断生成的。

XLand 包含数十亿个任务，跨越不同的游戏、世界和玩家。

从简单到复杂的游戏，AI智能体在学习过程中不断完善训练任务。

简单的比如「靠近紫色立方体」，复杂一点的比如「靠近紫色立方体或将黄色球体放在红色地板上」。

这些智能体甚至还可以和其他智能体玩耍，比如捉迷藏和夺取旗帜。

每个小游戏正如宇宙中颗颗繁星，拼成了一个庞大的物理模拟世界。

这个世界的任务由3个要素构成：任务=游戏 世界 玩家。

根据3个要素的不同关系，来决定任务的复杂度。那么，如何判断任务的复杂度？

有以下4个纬度：竞争性，平衡性，可选项，探索难度。

基于这4个维度，一个任务空间的、超大规模的「元宇宙」XLand 就诞生了，而几何地球也只是这个元宇宙的一个小角落，只是这4纬空间的一个点。

终身学习

「元宇宙」XLand 解决了AI训练的数据问题，那么，接下来，用什么样的算法是合适的呢？

研究人员发现，目标注意网络 (GOAT) 可以学习更通用的策略。

还有，在如此广阔的环境下，什么样的训练任务分配能够产生最好的AI「特工」？

动态任务生成允许智能体的训练任务的分布不断变化:

生成的每个任务既不太难也不太容易，但正好适合训练。

然后利用基于PBT来调整基于动态任务生成参数，以提高智能体的综合能力。

最后，我们将多个训练运行链接在一起，这样每一代代理都可以引导上一代代理。

结果显示，智能体在泛化能力上有很好的表现，只需对一些新的复杂任务进行 30 分钟的集中训练，智能体就可以快速适应。

经过5代训练，智能体在 XLand 的 4000 个独立世界中玩大约 70万个独立游戏，涉及340 万个独立任务的结果，最后一代的每个智能体都经历了 2000 亿次训练步骤。

目前，智能体已经能够顺利参与几乎每个评估任务，除了少数即使是人类也无法完成的任务。

未来一天，当AI也能够在「元宇宙」中自己学习演化，《西部世界》那样的场景是否会在我们身边降临？

参考资料：

https:///blog/article/generally-capable-agents-emerge-from-open-ended-play