雷鋒網(wǎng) AI 科技評論按：近日，國際人工智能頂級學術會議 NeurIPS 2018 順利落幕。八千多位來自全世界的人工智能研究人員齊聚加拿大蒙特利爾，討論分享過去一年全世界在人工智能的各個領域的最新進展，該會議舉辦了一系列競賽來鼓勵學術界和工業(yè)界一起解決最有挑戰(zhàn)性的人工智能難題。作為人工智能領域歷史最悠久的學術會議之一，會議成果被視作人工智能領域的研究「風向標」。（雷鋒網(wǎng) AI 科技評論正會報道文章見 這里）

其中，由谷歌大腦、Facebook、牛津大學及在游戲AI界久負盛名的紐約大學等機構聯(lián)合舉辦的多智能體競賽——炸彈人團隊賽（The NeurIPS 2018 Pommerman Competition）尤其引人矚目。來自中國啟元世界的彭鵬博士、中科院計算所助理研究員龐亮博士和北師大的袁鈺峰組成的賽隊，與美國、歐洲、日本、中國的24支一流隊伍進行了激烈角逐，最終基于啟元決策智能平臺訓練的 Navocado 雙智能體能力穩(wěn)定提升，奪得了比賽 Learning 組冠軍，展現(xiàn)了來自中國的決策智能團隊具備的世界級技術實力。

啟元世界是一家2017年成立的以認知決策智能技術為核心的公司，由前阿里、Netflix、IBM 的科學家和高管發(fā)起，并擁有伯克利、CMU 等知名機構的特聘顧問。團隊核心能力以深度學習、強化學習、超大規(guī)模并行計算為基礎，擁有互聯(lián)網(wǎng)、游戲等眾多領域的成功經(jīng)驗。

決策智能目前是一個世界級的技術難題，決策過程也是人腦中最復雜的一種功能。由于在游戲、交通、電力等領域具備極大的應用前景，決策智能近年也成為全球人工智能研究的熱點，DeepMind、Facebook、OpenAI、微軟、亞馬遜等科技巨頭都成立了實驗室進行相關研究。相較于單智能體，多智能體博弈的難度更是指數(shù)級增加。此次 NeurIPS 多智能體競賽是 NeurIPS 會議上首次開設多智能體競賽，將多智能體協(xié)作、非完全信息博弈以及持續(xù)學習等關鍵問題濃縮到炸彈人這款游戲中，鼓勵全世界優(yōu)秀的研發(fā)人員一起參加解決技術挑戰(zhàn)。

此次 NeurIPS 多智能體競賽采用激烈雙淘汰機制（Double Elimination），25 支參賽隊分別提供 2 個智能體參加 2v2 對抗賽。參賽隊伍的每個智能體初始都被困在一個封閉的區(qū)間中，智能體只有炸開附近的木箱才能進去其他區(qū)域；而且智能也只具有整個地區(qū)的一部分視野。在幾乎所有障礙物都被清理干凈后，智能體進入到對抗階段，所有智能體都可以自由地在全局活動，這個階段智能體的主要目標就是炸掉對手。

圖1：多智能體競賽－炸彈人團隊賽

競賽過程中需要智能體完成：1）清除障礙物，2）躲避自己的炸彈火焰，3）收集裝備，4）躲避自己和其他人的炸彈火焰，5）放炸彈殺死對手，6) 避免放炸彈殺死隊友。整個過程，對智能體有效甄別和提取有效信息，同時對未知信息進行推理和假設，以及多智能體協(xié)作都提出了很高的技術要求。

啟元決策智能平臺訓練的 Navocado 雙智能體在比賽中的部分表現(xiàn)如下圖：

同隊炸彈人聯(lián)手，在對手的兩側放炸彈圍堵，將其困在中間地帶后摧毀對手

炸彈人通過靈活的移動及時躲避炸彈爆炸

炸彈人主動將炸彈朝對手方向踢出，精確擊潰對手

炸彈人學會準確的炸箱子，并且通過最短路徑尋路吃增強藥

每個賽隊線下有 2 個月的時間進行模型訓練。最終基于啟元決策智能平臺訓練的 Navocado 戰(zhàn)勝了來自加拿大的 Skynet，拿下 Learning 組冠軍。Skynet 的團隊來自加拿大近百人規(guī)模的科技公司 Borealis.ai。從對戰(zhàn)過程來看，啟元的 Navocado 智能體的主動進攻能力明顯強于對手。從 Skynet 在官網(wǎng)公開的實現(xiàn)方案來看，Skynet 模型在決策過程中加入了很多人工干預（比如限制炸彈人不能往火焰里走），這和 Navocado 模型在整個訓練和決策過程中不加人工干預、自主學會各項技能的方式也有較大的差距。

圖2：Navocado智能體持續(xù)訓練過程中的效果提升曲線

啟元從 2017 年起打造的決策智能平臺在這次賽事奪冠的智能體訓練中起到了關鍵作用。強化學習作為決策智能的核心技術，也是極具挑戰(zhàn)的一種機器學習方法。由于強化學習涉及到的鏈路很長，而強化學習算法本身對超參十分敏感，學術界中各人不同的實現(xiàn)或配置都很容易導致出現(xiàn)訓練結果不可復現(xiàn)的現(xiàn)象。強化學習技術在可復現(xiàn)性、可復用性和魯棒性方面存在著挑戰(zhàn)。

借助平臺化的力量，啟元決策智能平臺運用強化學習解決復雜決策問題，證明了強化學習的可行性。啟元決策智能平臺搭建了支持多智能體博弈的基礎架構，能夠通過競技的方式實現(xiàn)多智能體持續(xù)學習的能力。平臺還支持包括自動化資源調度和自動調參的元學習，使得模型的訓練更加高效。

啟元世界彭鵬博士介紹，「啟元團隊對強化學習這個領域都很有 Passion。這次我們在 NeurIPS 多智能體競賽奪冠的智能體，在每個階段的訓練過程沒有人工干預，學習曲線非常漂亮，進一步驗證了這套體系的有效性和魯棒性，驗證了強化學習技術的價值?！?/p>

從平臺架構設計到底層實現(xiàn)上，啟元都做了很多細致的工作，力求在包括環(huán)境模擬、模型預估和訓練等各個決策智能相關的環(huán)節(jié)都做到完美。啟元賽隊基于決策智能平臺分階段設計了獎勵機制以及調整超參。在使用啟元決策智能平臺的過程中，賽隊可以快速地調度所需資源進行任務部署，配置對戰(zhàn)所需的智能體，并且在訓練過程實時觀察不同模型的對戰(zhàn)情況和勝率曲線，從而做出最快的調整。

圖3：啟元決策智能平臺架構

在此次 NeurIPS 多智能體競賽中，啟元決策智能平臺提供了三大助力：

第一，支持智能體持續(xù)學習的能力。

持續(xù)學習的能力是智能體訓練中關鍵的一環(huán)。在訓練階段，炸彈人競賽中的智能體需要在學習新技能的過程中保留過去學會的技能，才能達到很高的水平。啟元決策智能平臺通過智能體群體匹配競技的方式實現(xiàn)「自然選擇」，從而達到持續(xù)學習的效果。在競技過程中，強者留存，弱者被淘汰。在弱者被淘汰之后，空出來的位置被強者的克隆體代替，而強者的克隆體則根據(jù)新的超參設定持續(xù)進化。在固定計算資源預算的情況下，啟元決策智能平臺通過這套機制在探索新強者 (exploration) 和深挖舊強者（exploitation）之間平衡對計算資源的使用情況。

第二，支持復雜場景的多智能體聯(lián)合訓練。

在多智能體博弈問題中，不同智能體之間的相互克制較為常見，其收斂可能性極為復雜。在炸彈人競賽中，不同隊伍的智能體風格迥異，有的善攻，有的善守?；凇个T魚效應」的思想（指通過引入強者，激發(fā)弱者變強的效應），啟元決策智能平臺在訓練初期引入基于規(guī)則的高階對手，激發(fā)初期較弱的智能體在與強者的對決中學會各種基本技能，迅速提升變強；隨著訓練階段的深入，啟元決策智能平臺同時訓練多個智能體，使其在激烈的相互對抗中完善自我。

第三，支持基于私有云集群的大規(guī)模、高并發(fā)的模擬和大規(guī)模訓練。

啟元決策智能平臺將架構圖中所示的多個模塊進行組件化，并封裝到了容器中。通過云端自動化的方式管理數(shù)百 CPU 以及 GPU 資源并實現(xiàn)容器編排，降低了調度數(shù)十個炸彈人訓練任務的成本。大規(guī)模、高并發(fā)的模擬計算以及大規(guī)模的訓練同時在私有云集群中進行。另外，啟元決策智能平臺提供分布式存儲方案，并配置成共享模型池，為炸彈人智能體模型群體的持久化和共享提供支持。

啟元決策智能平臺 v0.8 版本目前已用于游戲、網(wǎng)絡智能及仿真等場景中?；跒榭蛻籼峁┑母吒郊又捣?，啟元世界在 2018 年商業(yè)化上小試牛刀，即已取得不錯的營收。2019 年，啟元世界計劃發(fā)布第一版啟元決策智能平臺型產品，為更多行業(yè)客戶、終端用戶帶去高體驗的服務。

關于此次競賽方案的更多細節(jié)，啟元世界也撰寫了技術報告，感興趣的讀者可以參見 https://arxiv.org/abs/1812.07297。

基于監(jiān)督學習的智能決策系統(tǒng)常見，但基于強化學習的智能決策系統(tǒng)不常見。雷鋒網(wǎng) AI 科技評論很感興趣他們是如何看待并應對強化學習固有的一系列技術挑戰(zhàn)的。后續(xù)報告請繼續(xù)關注我們。

雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權禁止轉載。詳情見轉載須知。