据外媒报道，Open-Ended Learning Team（开放式学习小组）在 Deepmind 的 Blog 上发表了一篇关于训练一个无需与人类交互数据就能玩不同游戏的 AI 智能体（AI agents）的文章。
一般来说，需要先给智能体提供一部分新游戏的数据，再让它自我进行游戏训练，从而在该游戏中取得更好的成绩。但目前的智能体，如果不从头开始学习，它就无法完成新游戏或新任务。团队的目的是省略前面的步骤，创造出的智能体能直接在新游戏中自我探索，并在复杂的游戏环境中取得好成绩。
▲ AI agents
团队希望该文章能提供给其他研究人员另一条新思路，以创造更具适应性（more adaptive）、普遍能力（generally capable）更强的 AI 智能体。同时，他们邀请感兴趣的人士一同加入研究。
当 AI 智能体在训练游戏时，缺乏数据（每个游戏的数据都是单独的）是导致强化学习（reinforcement learning，RL) 效果不佳的主要原因。这就意味着如果想让智能体可以完成所有任务，就需要让它把每一款游戏（任务）都训练了，否则它们在遇到新游戏的时候就只能“干瞪眼”。
团队创建了一个 3D 游戏环境，称之为“XLand”，该环境能够容纳多位玩家共同游戏。这种环境使得团队能够制定新的学习算法，而这种算法能动态地控制一个智能体进行游戏训练。
▲ Xland
因为 XLand 可以通过编程指定（programmatically specified），所以该游戏空间能够以自动和算法（automated and algorithmic）的方式生成数据（该数据可以训练智能体）。同时，XLand 中的任务涉及多个玩家，其他玩家的行为会加大 AI 智能体所面临的挑战。这些复杂的非线性交互（随机性）为训练提供了理想的数据源，因为有时训练环境中的微小变化可能会给智能体带来不一样的挑战。
团队研究的核心是深度强化学习在神经网络中的作用（尤其是在智能体的训练中）。团队使用的神经网络结构（neural network architecture）提供了一种关注智能体内部循环状态（internal recurrent state）的机制，通过预测智能体所玩游戏的子目标（subgoals）来帮助引导智能体的注意力（预测游戏任务并引导智能体前往）。团队发现这个目标关注智能体 (goal-attentive agent，GOAT) 有学习了一般能力的政策的能力（GOAT 方案使得智能体更具适应性）。
▲ 预测智能体的子目标
团队还预测任务训练的难度会影响智能体的总体能力。因此，他们使用动态任务生成（dynamic task generation）对智能体的训练任务分配进行更改，并不断优化，生成的每个任务既不是太难也不是太容易，而是刚好适合训练。在这之后，他们使用基于群体的训练 (population based training，PBT) 来调整动态任务的生成参数，以提高智能体的总体能力。最后，团队将多个训练运行串联在一起，这样每一代智能体都可以从上一代智能体中启动（智能体迭代）。
团队在对智能体进行了五代训练后，发现其学习能力和性能都在持续提升。在 XLand 的 4,000 个世界中玩过大约 700,000 个游戏后，最后一代的每个智能体都经历了 2000 亿次（200 billion）训练步骤，得到了 340 万（3.4 million）个任务的结果。
目前，团队的智能体已经能够顺利完成每次程序生成的测试任务，而且测试数据显示，智能体的能力（相比于上一代）有了整体的提高。
除此之外，团队还发现智能体表现出一般的启发式行为（heuristic behaviours），如实验（experimentation），该行为出现在于许多任务中，而不是专门针对单个任务的行为。团队有观察到智能体在游戏中使用不同的工具，包括利用障碍物来遮挡自己、利用物品创建坡道。随着训练的进展，智能体还偶尔会出现与其他玩家合作的行为，但目前团队还不能确认这是否是有意识的行为。
Open-Ended Learning Team 正在训练一个新的智能体，它不需要从头开始训练数据，就能适应新的游戏。这个智能体将比仅使用强化学习方法的智能体更加“智能”。
大量的数据训练一直以来是人工智能发展绕不开的难题，此次如果能大量减少训练数据，并使其获得跨领域的自主学习能力，那么人工智能的能力将能得到进一步的提升。
广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。