在上一篇文章里,我們提到了棋盤游戲的比喻和純強(qiáng)化學(xué)習(xí)技術(shù)的缺陷(斯坦福學(xué)者冷思考:強(qiáng)化學(xué)習(xí)存在基礎(chǔ)性缺陷)。在這一部分中,我們會(huì)列舉一些添加先驗(yàn)知識(shí)的方法,同時(shí)會(huì)對(duì)深度學(xué)習(xí)進(jìn)行介紹,并且展示對(duì)最近的成果進(jìn)行調(diào)查。
那么,為什么不跳出純強(qiáng)化學(xué)習(xí)的圈子呢?
你可能會(huì)想:
我們不能越過(guò)純強(qiáng)化學(xué)習(xí)來(lái)模仿人類的學(xué)習(xí)——純強(qiáng)化學(xué)習(xí)是嚴(yán)格制定的方法,我們用來(lái)訓(xùn)練AI智能體的算法是基于此的。盡管從零開(kāi)始學(xué)習(xí)不如多提供些信息,但是我們沒(méi)有那樣做。
的確,加入先驗(yàn)知識(shí)或任務(wù)指導(dǎo)會(huì)比嚴(yán)格意義上的純強(qiáng)化學(xué)習(xí)更復(fù)雜,但是事實(shí)上,我們有一種方法既能保證從零開(kāi)始學(xué)習(xí),又能更接近人類學(xué)習(xí)的方法。
首先,我們先明確地解釋,人類學(xué)習(xí)和純強(qiáng)化學(xué)習(xí)有什么區(qū)別。當(dāng)開(kāi)始學(xué)習(xí)一種新技能,我們主要做兩件事:猜想大概的操作方法是什么,或者度說(shuō)明書。一開(kāi)始,我們就了解了這一技能要達(dá)到的目標(biāo)和大致使用方法,并且從未從低端的獎(jiǎng)勵(lì)信號(hào)開(kāi)始反向生成這些東西。
UC Berkeley的研究者最近發(fā)現(xiàn),人類的學(xué)習(xí)速度比純強(qiáng)化學(xué)習(xí)在某些時(shí)候更快,因?yàn)槿祟愑昧讼闰?yàn)知識(shí)
使用先驗(yàn)知識(shí)和說(shuō)明書
這種想法在AI研究中有類似的成果:
解決“學(xué)習(xí)如何學(xué)習(xí)”的元學(xué)習(xí)方法:讓強(qiáng)化學(xué)習(xí)智能體更快速地學(xué)會(huì)一種新技術(shù)已經(jīng)有類似的技巧了,而學(xué)習(xí)如何學(xué)習(xí)正是我們需要利用先驗(yàn)知識(shí)超越純強(qiáng)化學(xué)習(xí)的方法。
MAML是先進(jìn)的元學(xué)習(xí)算法。智能體可以在元學(xué)習(xí)少次迭代后學(xué)會(huì)向前和向后跑動(dòng)
遷移學(xué)習(xí):顧名思義,就是將在一種問(wèn)題上學(xué)到的方法應(yīng)用到另一種潛在問(wèn)題上。關(guān)于遷移學(xué)習(xí),DeepMind的CEO是這樣說(shuō)的。
我認(rèn)為(遷移學(xué)習(xí))是強(qiáng)人工智能的關(guān)鍵,而人類可以熟練地使用這種技能。例如,我現(xiàn)在已經(jīng)玩過(guò)很多棋盤類游戲了,如果有人再教我另一種棋類游戲,我可能不會(huì)那么陌生,我會(huì)把在其他游戲上學(xué)到的啟發(fā)性方法用到這一游戲上,但是現(xiàn)在機(jī)器還做不到……所以我想這是強(qiáng)人工智能所面臨的重大挑戰(zhàn)。
零次學(xué)習(xí)(Zero-shot learning):它的目的也是掌握新技能,但是卻不用新技能進(jìn)行任何嘗試,智能體只需從新任務(wù)接收“指令”,即使沒(méi)有執(zhí)行過(guò)新的任務(wù)也能一次性表現(xiàn)的很好。
一次學(xué)習(xí)(one-shot learning)和少次學(xué)習(xí)(few-shot learning):這兩類是研究的熱門區(qū)域,他們和零次學(xué)習(xí)不同,因?yàn)樗鼈儠?huì)用到即將學(xué)習(xí)的技巧做示范,或者只需要少量迭代。
終身學(xué)習(xí)(life long learning)和自監(jiān)督學(xué)習(xí)(self supervised learning):也就是長(zhǎng)時(shí)間不在人類的指導(dǎo)下學(xué)習(xí)。
這些都是除了從零學(xué)習(xí)之外的強(qiáng)化學(xué)習(xí)方法。特別是元學(xué)習(xí)和零次學(xué)習(xí)體現(xiàn)了人在學(xué)習(xí)一種新技能時(shí)更有可能的做法,與純強(qiáng)化學(xué)習(xí)有差別。一個(gè)元學(xué)習(xí)智能體會(huì)利用先驗(yàn)知識(shí)快速學(xué)習(xí)棋類游戲,盡管它不明白游戲規(guī)則。另一方面,一個(gè)零次學(xué)習(xí)智能體會(huì)詢問(wèn)游戲規(guī)則,但是不會(huì)做任何學(xué)習(xí)上的嘗試。一次學(xué)習(xí)和少次學(xué)習(xí)方法相似,但是只知道如何運(yùn)用技能,也就是說(shuō)智能體會(huì)觀察其他人如何玩游戲,但不會(huì)要求解釋游戲規(guī)則。
最近一種混合了一次學(xué)習(xí)和元學(xué)習(xí)的方法。來(lái)自O(shè)ne-Shot Imitation from Observing Humans via Domain-Adaptive Meta-Learning
元學(xué)習(xí)和零次學(xué)習(xí)(或少次學(xué)習(xí))的一般概念正是棋類游戲中合理的部分,然而更好的是,將零次學(xué)習(xí)(或少次學(xué)習(xí))和元學(xué)習(xí)結(jié)合起來(lái)就更接近人類學(xué)習(xí)的方法了。它們利用先驗(yàn)經(jīng)驗(yàn)、說(shuō)明指導(dǎo)和試錯(cuò)形成最初對(duì)技能的假設(shè)。之后,智能體親自嘗試了這一技巧并且依靠獎(jiǎng)勵(lì)信號(hào)進(jìn)行測(cè)試和微調(diào),從而做出比最初假設(shè)更優(yōu)秀的技能。
這也解釋了為什么純強(qiáng)化學(xué)習(xí)方法目前仍是主流,針對(duì)元學(xué)習(xí)和零次學(xué)習(xí)的研究不太受關(guān)注。有一部分原因可能是因?yàn)閺?qiáng)化學(xué)習(xí)的基礎(chǔ)概念并未經(jīng)受過(guò)多質(zhì)疑,元學(xué)習(xí)和零次學(xué)習(xí)的概念也并沒(méi)有大規(guī)模應(yīng)用到基礎(chǔ)原理的實(shí)現(xiàn)中。在所有運(yùn)用了強(qiáng)化學(xué)習(xí)的代替方法的研究中,也許最符合我們希望的就是DeepMind于2015年提出的Universal Value Function Approximators,其中Richard Sutton提出了“通用價(jià)值函數(shù)(general value function)”。這篇論文的摘要是這樣寫的:
價(jià)值函數(shù)是強(qiáng)化學(xué)習(xí)系統(tǒng)中的核心要素。主要思想就是建立一個(gè)單一函數(shù)近似器V(s;θ),通過(guò)參數(shù)θ來(lái)估計(jì)任意狀態(tài)s的長(zhǎng)期獎(jiǎng)勵(lì)。在這篇論文中,我們提出了通用價(jià)值函數(shù)近似器(UVFAs)V(s, g;θ),不僅能生成狀態(tài)s的獎(jiǎng)勵(lì)值,還能生成目標(biāo)g的獎(jiǎng)勵(lì)值。
將UVFA應(yīng)用到實(shí)際中
這種嚴(yán)格的數(shù)學(xué)方法將目標(biāo)看作是基礎(chǔ)的、必須的輸入。智能體被告知應(yīng)該做什么,就像在零次學(xué)習(xí)和人類學(xué)習(xí)中一樣。
現(xiàn)在距論文發(fā)表已經(jīng)三年,但只有極少數(shù)人對(duì)論文的結(jié)果表示欣喜(作者統(tǒng)計(jì)了下只有72人)。據(jù)谷歌學(xué)術(shù)的數(shù)據(jù),DeepMind同年發(fā)表的Human-level control through deep RL一文已經(jīng)有了2906次引用;2016年發(fā)表的Mastering the game of Go with deep neural networks and tree search已經(jīng)獲得了2882次引用。
所以,的確有研究者朝著結(jié)合元學(xué)習(xí)和零次學(xué)習(xí)的方向努力,但是根據(jù)引用次數(shù),這一方向仍然不清楚。關(guān)鍵問(wèn)題是:為什么人們不把這種結(jié)合的方法看作是默認(rèn)方法呢?
答案很明顯,因?yàn)樘y了。AI研究?jī)A向于解決獨(dú)立的、定義明確的問(wèn)題,以更好地做出進(jìn)步,所以除了純強(qiáng)化學(xué)習(xí)以及從零學(xué)習(xí)之外,很少有研究能做到,因?yàn)樗鼈冸y以定義。但是,這一答案似乎還不夠令人滿意:深度學(xué)習(xí)讓研究人員創(chuàng)造了混合方法,例如包含NLP和CV兩種任務(wù)的模型,或者原始AlphaGo加入了深度學(xué)習(xí)等等。事實(shí)上,DeepMind最近的論文Relational inductive biases, deep learning, and graph networks也提到了這一點(diǎn):
我們認(rèn)為,通向強(qiáng)人工智能的關(guān)鍵方法就是將結(jié)合生成作為第一要義,我們支持運(yùn)用多種方法達(dá)到目標(biāo)。生物學(xué)也并不是單純的自然和后期培養(yǎng)相對(duì)立,它是將二者結(jié)合,創(chuàng)造了更有效的結(jié)果。我們也認(rèn)為,架構(gòu)和靈活性之間并非對(duì)立的,而是互補(bǔ)的。通過(guò)最近的一些基于結(jié)構(gòu)的方法和深度學(xué)習(xí)混合的案例,我們看到了結(jié)合技術(shù)的巨大前景。
最近元學(xué)習(xí)(或零次學(xué)習(xí))的成果
現(xiàn)在我們可以得出結(jié)論:
受上篇棋盤游戲比喻的激勵(lì),以及DeepMind通用價(jià)值函數(shù)的提出,我們應(yīng)該重新考慮強(qiáng)化學(xué)習(xí)的基礎(chǔ),或者至少更加關(guān)注這一領(lǐng)域。
雖然現(xiàn)有成果并未流行,但我們?nèi)阅馨l(fā)現(xiàn)一些令人激動(dòng)的成果:
Hindsight Experience Replay
Zero-shot Task Generalization with Multi-Task Deep Reinforcement Learning
Representation Learning for Grounded Spatial Reasoning
Deep Transfer in Reinforcement Learning by Language Grounding
Cross-Domain Perceptual Reward Functions
Learning Goal-Directed Behaviour
上述論文都是結(jié)合了各種方法、或者以目標(biāo)為導(dǎo)向的方法。而更令人激動(dòng)的是最近有一些作品研究了本能激勵(lì)和好奇心驅(qū)使的學(xué)習(xí)方法:
Kickstarting Deep Reinforcement Learning
Surprise-Based Intrinsic Motivation for Deep Reinforcement Learning
Meta-Reinforcement Learning of Structured Exploration Strategies
Learning Robust Rewards with Adversarial Inverse Reinforcement Learning
Curiosity-driven Exploration by Self-supervised Prediction
Learning by Playing - Solving Sparse Reward Tasks from Scratch
Learning to Play with Intrinsically-Motivated Self-Aware Agents
Unsupervised Predictive Memory in a Goal-Directed Agent
World Models
接著,我們還可以從人類的學(xué)習(xí)中獲得靈感,也就是直接學(xué)習(xí)。事實(shí)上,過(guò)去和現(xiàn)在的神經(jīng)科學(xué)研究直接表明,人類和動(dòng)物的學(xué)習(xí)可以用強(qiáng)化學(xué)習(xí)和元學(xué)習(xí)共同表示。
Meta-Learning in Reinforcement Learning
Prefrontal cortex as a meta-reinforcement learning system
最后一篇論文的結(jié)果和我們的結(jié)論相同,論智此前曾報(bào)道過(guò)這篇:DeepMind論文:多巴胺不只負(fù)責(zé)快樂(lè),還能幫助強(qiáng)化學(xué)習(xí)。從根本上講,人們可以認(rèn)為,人類的智慧正是強(qiáng)化學(xué)習(xí)和元學(xué)習(xí)的結(jié)合——元強(qiáng)化學(xué)習(xí)的成果。如果真的是這種情況,我們是否也該對(duì)AI做同樣的事呢?
結(jié)語(yǔ)
強(qiáng)化學(xué)習(xí)的經(jīng)典基礎(chǔ)性缺陷可能限制它解決很多復(fù)雜問(wèn)題,像本文提到的很多論文中都提到,不采用從零學(xué)習(xí)的方法也不是必須有手工編寫或者嚴(yán)格的規(guī)則。元強(qiáng)化學(xué)習(xí)讓智能體通過(guò)高水平的指導(dǎo)、經(jīng)驗(yàn)、案例更好地學(xué)習(xí)。
目前的時(shí)機(jī)已經(jīng)成熟到可以展開(kāi)上述工作,將注意力從純強(qiáng)化學(xué)習(xí)的身上移開(kāi),多多關(guān)注從人類身上學(xué)到的學(xué)習(xí)方法。但是針對(duì)純強(qiáng)化學(xué)習(xí)的工作不應(yīng)該立即停止,而是應(yīng)該作為其他工作的補(bǔ)充。基于元學(xué)習(xí)、零次學(xué)習(xí)、少次學(xué)習(xí)、遷移學(xué)習(xí)及它們的結(jié)合的方法應(yīng)該成為默認(rèn)方法,我很愿意為此貢獻(xiàn)自己的力量。
-
智能體
+關(guān)注
關(guān)注
1文章
119瀏覽量
10537 -
深度學(xué)習(xí)
+關(guān)注
關(guān)注
73文章
5422瀏覽量
120587 -
強(qiáng)化學(xué)習(xí)
+關(guān)注
關(guān)注
4文章
263瀏覽量
11157
原文標(biāo)題:面對(duì)強(qiáng)化學(xué)習(xí)的基礎(chǔ)性缺陷,研究重點(diǎn)也許要轉(zhuǎn)變
文章出處:【微信號(hào):jqr_AI,微信公眾號(hào):論智】歡迎添加關(guān)注!文章轉(zhuǎn)載請(qǐng)注明出處。
發(fā)布評(píng)論請(qǐng)先 登錄
相關(guān)推薦
評(píng)論