0
雷鋒網(wǎng)AI科技評論按：本文由圖普科技編譯自OpenAI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練的環(huán)境中，AI 能夠通過“自我對局”的訓練掌握一系列動作技能，比如進攻、躲避、假動作、踢、抓等等?！白晕覍帧庇柧毚_定了環(huán)境對于提升AI系統(tǒng)的重要性。Dota2在“自我對局”訓練中的表現(xiàn)和結果讓團隊越來越相信，“自我對局”訓練不久將會成為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機器人之間設置了一些基本的游戲競賽，利用一些簡單的目標（比如：將對手推到場地圈外；到達場地的另一邊，并阻止對手到達；把球踢進對手的網(wǎng)內，而不讓對手的球踢進自己的網(wǎng)內等。）對每個機器人進行訓練，并且分析機器人在完成目標時所使用的技能和策略。
一開始，機器人會因為站立、前進這樣的行為而獲得豐厚的獎勵，但最后這些獎勵會被清零，只有勝利的機器人才會獲得獎勵。除了這些簡單的獎勵以外，機器人還會學到一系列動作技能，比如進攻、躲避、假動作、踢、抓等等。在這個過程中，每個機器人的神經(jīng)網(wǎng)絡都單獨接受了“近端策略優(yōu)化” 的訓練。
為了弄清楚在這些目標和競賽的壓力面前，機器人會作出如何復雜的行動，我們不妨分析一下機器人的“摔角相撲”比賽吧。在這個比賽中，為了訓練機器人行走，我們在比賽前期給機器人設置了豐厚的獎勵；增加了從這個圓形場地中心起的負L2距離，并且將其設置為機器人獲得的豐厚獎勵。機器人一開始的時候可以使用這些獎勵在比賽場地內作出一些動作和反應，但是我們會在訓練中把獎勵悄悄地清零。這樣一來，在接下來的訓練迭代中，機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行優(yōu)化。
設計出有助于這些技能訓練的任務和環(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，機器人的行為也可能會因為人類設計師在設計中出現(xiàn)的問題而變得更復雜。通過成千上萬次的迭代優(yōu)化，我們能夠開發(fā)出更好的機器人，進而可以創(chuàng)造出功能強大的AI系統(tǒng)，該系統(tǒng)能夠自我引導，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化學習機器人。
剛剛完成“摔角相撲”訓練的機器人，現(xiàn)在又要開始應對“強風”了。
這些機器人還能進行“遷移學習”，它們能夠把在一場景學習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”訓練的機器人設置了一個任務，讓它們在強風中始終保持站立。結果是，那些無視這個強風環(huán)境的機器人能夠始終保持直立，而接受過傳統(tǒng)強化學習訓練的機器人在嘗試行走時則會立刻摔倒。
過擬合
我們的機器人會與“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——讓機器人與多個不同的對手進行“較量”。這些對手來自于一系列的策略，其中有同步訓練或早期訓練的策略。面對這些各式各樣、風格不一的對手，機器人就必須學習更多通用的策略和技術，這樣才能“來者不懼”。
原文鏈接：https://blog.openai.com/competitive-self-play/
雷峰網(wǎng)版權文章，未經(jīng)授權禁止轉載。詳情見轉載須知。
