0
雷鋒網(wǎng) AI 科技評(píng)論消息，近日OpenAI和DeepMind各自在網(wǎng)站上發(fā)文，介紹一篇他們合作研究、撰寫的論文《Deep reinforcement learning from human preferences》（根據(jù)人類偏好進(jìn)行的深度增強(qiáng)學(xué)習(xí)）。在這篇論文里，他們展示了一種根據(jù)人類反饋進(jìn)行強(qiáng)化學(xué)習(xí)的新方法，不僅學(xué)習(xí)過程相對(duì)高效，而且OpenAI和DeepMind的研究人員們共同認(rèn)為這種方法長(zhǎng)遠(yuǎn)來看能夠提高智能系統(tǒng)的安全性。
下面雷鋒網(wǎng) AI 科技評(píng)論就帶大家一起具體看一下OpenAI對(duì)這種方法的介紹和演示。
要建立一個(gè)安全的AI系統(tǒng)，其中很重要的一步是不再讓人類給AI系統(tǒng)寫目標(biāo)函數(shù)。這是因?yàn)槿绻昧撕?jiǎn)單的策略來達(dá)到復(fù)雜的目標(biāo)，又或者對(duì)復(fù)雜目標(biāo)的理解出現(xiàn)了偏差，都可能導(dǎo)致AI系統(tǒng)做出人們不希望看到的行為，有時(shí)候甚至?xí)l(fā)危險(xiǎn)。OpenAI跟DeepMind的安全團(tuán)隊(duì)一起協(xié)作開發(fā)了一種算法，只需要人類逐步告訴它兩種它推薦的動(dòng)作中哪一種更好，它就可以由此推測(cè)人類的需求進(jìn)行學(xué)習(xí)。
這篇論文中介紹了一種算法，它可以用相對(duì)少量的人類反饋解決現(xiàn)代的強(qiáng)化學(xué)習(xí)問題。學(xué)者們以前就研究過如何使用人類反饋來建立機(jī)器學(xué)習(xí)系統(tǒng)，但這次兩個(gè)團(tuán)隊(duì)合作做了高級(jí)別的解決方案，這樣它也可以用來完成復(fù)雜得多的任務(wù)。他們的算法用來自人類評(píng)價(jià)員的900次二選一反饋學(xué)會(huì)了后空翻 —— 一個(gè)看起來簡(jiǎn)單、很容易評(píng)價(jià)，但是很難精確描述的任務(wù)。
訓(xùn)練過程總體是一個(gè)人類、智能體對(duì)目標(biāo)的理解、增強(qiáng)學(xué)習(xí)訓(xùn)練之間的三步反饋循環(huán)。
根據(jù)OpenAI跟DeepMind聯(lián)合開發(fā)的算法，這個(gè)智能體一開始先在環(huán)境中隨機(jī)運(yùn)動(dòng)。然后周期性地把兩段它的動(dòng)作視頻給人類看，人類要分辨兩個(gè)視頻的兩種動(dòng)作里的哪一種更接近它的目標(biāo)——在這個(gè)例子中就是后空翻——然后通過選擇給出反饋，人工智能就會(huì)根據(jù)反饋尋找能最好地描述人類判斷的獎(jiǎng)勵(lì)函數(shù)，這樣逐漸給任務(wù)目標(biāo)建立模型。然后它就會(huì)通過強(qiáng)化學(xué)習(xí)來學(xué)習(xí)達(dá)到它自己建立的目標(biāo)。隨著智能體的動(dòng)作有了進(jìn)步，它會(huì)繼續(xù)拿出自己覺得最不確定的一對(duì)軌跡來讓人類反饋哪一個(gè)更好，然后讓自己對(duì)任務(wù)目標(biāo)的理解進(jìn)一步完善。
他們的方案展現(xiàn)出了喜人的學(xué)習(xí)效率，像前文所說，只需要不到1000次二選一的人類反饋就可以學(xué)會(huì)后空翻。人類評(píng)價(jià)員所花的時(shí)間只有不到一個(gè)小時(shí)，而在后臺(tái)，這個(gè)策略已經(jīng)同步積累了70小時(shí)的總體經(jīng)驗(yàn)（后臺(tái)仿真時(shí)的速度比真實(shí)速度快得多）。接下來他們會(huì)繼續(xù)研究如何減少人類所需提供的反饋數(shù)量。下面的動(dòng)圖里演示的就是他們的訓(xùn)練過程（加速版）。
他們也用模擬機(jī)器人和Atari游戲中的幾個(gè)任務(wù)測(cè)試了他們的方法（而且沒有讓程序用到環(huán)境本身的反饋函數(shù)，具體在Atari中就是不考慮游戲得分）。在多個(gè)測(cè)試環(huán)境里，智能體能通過人類的反饋學(xué)到優(yōu)秀的表現(xiàn)，有時(shí)候甚至比人類表現(xiàn)還好。下面幾張圖就是用他們的方法訓(xùn)練的智能體玩各種Atari游戲的畫面。每個(gè)畫面最右側(cè)豎向運(yùn)動(dòng)的小條是一個(gè)指示器，它顯示的是智能體預(yù)測(cè)人類評(píng)價(jià)者對(duì)它當(dāng)前動(dòng)作的認(rèn)可度有多高。這些動(dòng)圖就體現(xiàn)了這些智能體根據(jù)人類的反饋學(xué)到的東西：在Seaquest中知道去水面上補(bǔ)足氧氣（左圖），在打磚塊和彈球中學(xué)到如何得高分（中間兩圖），或者在Enduro中學(xué)到撞車以后怎么恢復(fù)（右圖）。
 |  |  |  |
| Seaquest | 打磚塊 | 彈球 | Enduro |
值得注意的是，人類提供的反饋可以不用跟環(huán)境正常的獎(jiǎng)勵(lì)函數(shù)一致。比如他們就在Enduro中訓(xùn)練了一個(gè)精確跟其它車輛保持齊平的智能體，它并不會(huì)像“正?！蹦菢硬粩喑^其它車輛獲得最高分?jǐn)?shù)。他們還發(fā)現(xiàn)，有時(shí)候從人類反饋中學(xué)習(xí)的智能體，比從正常的環(huán)境反饋里進(jìn)行增強(qiáng)學(xué)習(xí)的智能體表現(xiàn)還要好，因?yàn)槿祟悓?duì)獎(jiǎng)勵(lì)的表述要比環(huán)境本來的獎(jiǎng)勵(lì)更好。
人類評(píng)價(jià)員要憑直覺判斷哪些動(dòng)作看起來正確，那么算法的表現(xiàn)也就受限于此，如果人類對(duì)任務(wù)沒有什么深入的理解，那他們提供的反饋能起到的幫助也就很有限。有個(gè)相關(guān)的情況就是，在有一些領(lǐng)域這個(gè)系統(tǒng)最后會(huì)訓(xùn)練出一個(gè)學(xué)會(huì)了欺騙評(píng)價(jià)員的智能體。舉個(gè)例子，一個(gè)機(jī)器人本來應(yīng)該把物體拿起來，但它把機(jī)械手放到了目標(biāo)物體和觀察者中間，這樣的機(jī)械手就只是看起來仿佛在抓它一樣，下面這張圖就是這樣。
對(duì)這個(gè)問題，他們想了一個(gè)改進(jìn)措施是加一些視覺標(biāo)識(shí)（圖中的白色實(shí)線），這樣人類評(píng)價(jià)員就更容易判斷深度了。不過更通用的辦法還需要做更多研究。
OpenAI和DeepMind兩個(gè)組織打算在對(duì)AI安全性有長(zhǎng)期影響的方面繼續(xù)進(jìn)行合作。在他們看來，這樣的方法是開發(fā)出人類為中心進(jìn)行學(xué)習(xí)的安全AI的又一項(xiàng)進(jìn)步，而且可以對(duì)現(xiàn)有強(qiáng)化學(xué)習(xí)、模仿學(xué)習(xí)這樣的方法進(jìn)行補(bǔ)充和拓展。
via OpenAI Blog，雷鋒網(wǎng) AI 科技評(píng)論編譯
AI科技評(píng)論招業(yè)界記者啦！
在這里，你可以密切關(guān)注海外會(huì)議的大牛演講；可以采訪國(guó)內(nèi)巨頭實(shí)驗(yàn)室的技術(shù)專家；對(duì)人工智能的動(dòng)態(tài)了如指掌；更能深入剖析AI前沿的技術(shù)與未來！
如果你：
＊對(duì)人工智能有一定的興趣或了解
* 求知欲強(qiáng)，具備強(qiáng)大的學(xué)習(xí)能力
* 有AI業(yè)界報(bào)道或者媒體經(jīng)驗(yàn)優(yōu)先
簡(jiǎn)歷投遞：
lizongren@leiphone.com
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
