雷鋒網(wǎng)AI科技評論按：本文由圖普科技編譯自O(shè)penAI博客《Competitive Self-Play》，雷鋒網(wǎng)獨家首發(fā)。

OpenAI 于近日的一項研究中發(fā)現(xiàn)，在一個非明確的技能訓(xùn)練的環(huán)境中，AI 能夠通過“自我對局”的訓(xùn)練掌握一系列動作技能，比如進(jìn)攻、躲避、假動作、踢、抓等等?！白晕覍帧庇?xùn)練確定了環(huán)境對于提升AI系統(tǒng)的重要性。Dota2在“自我對局”訓(xùn)練中的表現(xiàn)和結(jié)果讓團(tuán)隊越來越相信，“自我對局”訓(xùn)練不久將會成為AI系統(tǒng)的核心。雷鋒網(wǎng)AI科技評論對本文進(jìn)行編譯，全文如下：

論文原文：https://arxiv.org/abs/1710.03748

代碼：https://github.com/openai/multiagent-competition

我們在幾個3D機(jī)器人之間設(shè)置了一些基本的游戲競賽，利用一些簡單的目標(biāo)（比如：將對手推到場地圈外；到達(dá)場地的另一邊，并阻止對手到達(dá)；把球踢進(jìn)對手的網(wǎng)內(nèi)，而不讓對手的球踢進(jìn)自己的網(wǎng)內(nèi)等。）對每個機(jī)器人進(jìn)行訓(xùn)練，并且分析機(jī)器人在完成目標(biāo)時所使用的技能和策略。

一開始，機(jī)器人會因為站立、前進(jìn)這樣的行為而獲得豐厚的獎勵，但最后這些獎勵會被清零，只有勝利的機(jī)器人才會獲得獎勵。除了這些簡單的獎勵以外，機(jī)器人還會學(xué)到一系列動作技能，比如進(jìn)攻、躲避、假動作、踢、抓等等。在這個過程中，每個機(jī)器人的神經(jīng)網(wǎng)絡(luò)都單獨接受了“近端策略優(yōu)化” 的訓(xùn)練。

為了弄清楚在這些目標(biāo)和競賽的壓力面前，機(jī)器人會作出如何復(fù)雜的行動，我們不妨分析一下機(jī)器人的“摔角相撲”比賽吧。在這個比賽中，為了訓(xùn)練機(jī)器人行走，我們在比賽前期給機(jī)器人設(shè)置了豐厚的獎勵；增加了從這個圓形場地中心起的負(fù)L2距離，并且將其設(shè)置為機(jī)器人獲得的豐厚獎勵。機(jī)器人一開始的時候可以使用這些獎勵在比賽場地內(nèi)作出一些動作和反應(yīng)，但是我們會在訓(xùn)練中把獎勵悄悄地清零。這樣一來，在接下來的訓(xùn)練迭代中，機(jī)器人才會為了得到更多的獎勵，自覺地對自己的動作和技能進(jìn)行優(yōu)化。

設(shè)計出有助于這些技能訓(xùn)練的任務(wù)和環(huán)境并非不可能，但這不僅需要研究員耗費大量的精力，還需要他們具備獨到的創(chuàng)意。此外，機(jī)器人的行為也可能會因為人類設(shè)計師在設(shè)計中出現(xiàn)的問題而變得更復(fù)雜。通過成千上萬次的迭代優(yōu)化，我們能夠開發(fā)出更好的機(jī)器人，進(jìn)而可以創(chuàng)造出功能強(qiáng)大的AI系統(tǒng)，該系統(tǒng)能夠自我引導(dǎo)，并完成性能自我優(yōu)化。在Dota2項目中我們也能發(fā)現(xiàn)類似的自我優(yōu)化現(xiàn)象。在Dota2項目中，“自我對局”訓(xùn)練讓我們成功創(chuàng)造出了一個能夠在電子競技的solo版本中擊敗頂級人類玩家的強(qiáng)化學(xué)習(xí)機(jī)器人。

遷移學(xué)習(xí)

剛剛完成“摔角相撲”訓(xùn)練的機(jī)器人，現(xiàn)在又要開始應(yīng)對“強(qiáng)風(fēng)”了。

這些機(jī)器人還能進(jìn)行“遷移學(xué)習(xí)”，它們能夠把在一場景學(xué)習(xí)到的技能運用于另一個從未接觸過的場景。在一個案例中，我們給那些經(jīng)過了“摔角相撲”訓(xùn)練的機(jī)器人設(shè)置了一個任務(wù)，讓它們在強(qiáng)風(fēng)中始終保持站立。結(jié)果是，那些無視這個強(qiáng)風(fēng)環(huán)境的機(jī)器人能夠始終保持直立，而接受過傳統(tǒng)強(qiáng)化學(xué)習(xí)訓(xùn)練的機(jī)器人在嘗試行走時則會立刻摔倒。

過擬合

我們的機(jī)器人會與“co-learning策略”發(fā)生過擬合，該策略是針對某些特定的對手而設(shè)計的，但是在面對新的對手時，這個策略就會失效。針對這一問題，我們的解決方案是——讓機(jī)器人與多個不同的對手進(jìn)行“較量”。這些對手來自于一系列的策略，其中有同步訓(xùn)練或早期訓(xùn)練的策略。面對這些各式各樣、風(fēng)格不一的對手，機(jī)器人就必須學(xué)習(xí)更多通用的策略和技術(shù)，這樣才能“來者不懼”。

原文鏈接：https://blog.openai.com/competitive-self-play/

雷峰網(wǎng)版權(quán)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。