又一個 AI 老大難問題，被 DeepMind 攻克了：一只名叫 DreamerV3 的 AI，在啥也不知道的情況下被進《我的世界》（MineCraft）里，摸爬滾打 17 天，還真就學(xué)會了如何從 0 開始挖鉆石?！?就是從擼樹開始的那種要知道，之前為了攻克這問題，CMU、微軟、DeepMind 和 OpenAI 還聯(lián)手在 NeurIPS 上拉了個比賽，叫 MineRL。結(jié)果搞了三四年，AI 們也沒能在不參考人類經(jīng)驗的情況，完成挖鉆石任務(wù)。此前現(xiàn)最好的 VPT 選手，為了達成這一成就，可是看了 70000 + 小時《我的世界》游戲視頻并且用上了 720 個 V100……這不 DeepMind 的最新結(jié)果一出，研究人員都開心壞了MineRL 的發(fā)起人之一、前 OpenAI 研究科學(xué)家 William Guss 就第一時間跑來發(fā)表賀電：4 年了，“鉆石挑戰(zhàn)”終于被攻克了今年剛拿到了 NeurIPS 杰出數(shù)據(jù)集和基準(zhǔn)論文獎的 MineDojo 作者、英偉達 AI 科學(xué)家范麟熙則表示：AI 玩轉(zhuǎn) MineCraft 背后，有個莫拉維克悖論：一些任務(wù)對于人孟翼而言困難（比如圍棋），但對 AI 來說很簡單。但像 MineCraft 這樣人類高玩無數(shù)的游戲，情卻相反。DreamerV3 能在沒有任何人工數(shù)據(jù)輔助的情況鬲山收集鉆石，讓我感到非常興奮。如何到所以，這個 0 基礎(chǔ)挖鉆石任務(wù)，到底有啥難點首先，在《我的世界》里初始世界是完全隨機生成。即使是人類玩家，想要速挖到鉆石，也得有相當(dāng)富的經(jīng)驗。比如，知道怎推算鉆石的位置、掌握一挖掘竅門（如魚骨挖礦法等。排除掉經(jīng)驗的因素，于 AI 來說，這個挖鉆石的過程也挺復(fù)雜，至少要 7 個步驟。第一步，玩家在空手進入《我的世》中時，需要先擼樹來獲木塊：第二步，得用木塊來合成工作臺：第三步，工作臺上合成木鎬，用來圓石：第四步，獲得圓石后，需要合成一個石鎬，來快速挖鐵礦：第五步，了將鐵礦合成鐵錠，還需做一個熔爐來燒鐵：第六，合成鐵鎬，用來挖鉆石第七步，尋找鉆石，然后鐵鎬挖出鉆石：p.s. 有玩家測試過，在 AI 知道鉆石等各種資源坐標(biāo)情況下（開外掛），也需 2-3 分鐘才能搞定。這也就意味著，AI 必須在有限時間里，做出大量策。那么既然不能參考人高手的經(jīng)驗，自然就需要化學(xué)習(xí)（Reinforcement Learning）出馬。具體而言，DeepMind 的研究人員提出了一種基于世界模的通用算法。在整體架構(gòu)，DreamerV3 由 3 個神經(jīng)網(wǎng)絡(luò)組成：世界模型、評鶌鶋（critic）和演員（actor）。世界模型要做的，是把境輸入編碼為離散的表征并通過預(yù)測來指導(dǎo)下一步執(zhí)行的操作。而評委和演則會根據(jù)抽象出來的表征行學(xué)習(xí)。其中，評委網(wǎng)絡(luò)輸出一個標(biāo)量值來代表行價值，從而幫助演員網(wǎng)絡(luò)擇最優(yōu)的行動。這里面的個核心點在于，DeepMind 的研究人員希望 DreamerV3 不僅僅能處理同類型的問題，可以用固定超參數(shù)，掌握領(lǐng)域任務(wù)。因此，研究人需要系統(tǒng)地解決世界模型評委和演員等各個組件中號大小不同，以及穩(wěn)定平目標(biāo)的問題。研究人員發(fā)：以前的世界模型，需要據(jù)復(fù)雜 3D 環(huán)境的視覺輸入，對表征損失進行不的縮放，在訓(xùn)練過程中還調(diào)整不少超參數(shù)，但這里其實有許多沒必要的細(xì)節(jié)而如果把自由比特（free bits）和 KL 平衡（KL balancing）結(jié)合起來，就可以在不調(diào)整超參數(shù)的情況下 DreamerV3 在不同領(lǐng)域中學(xué)習(xí)。KL 平衡是上一代 DreamerV2 中提出的一項新技術(shù)。能夠使預(yù)測向表征移的速度比表征向預(yù)測移動速度更快，帶來更精確的測。自由比特避免了簡單境下的過度擬合。DreamerV3 的三大塊都用上了固定超參數(shù)，具體如：實驗結(jié)果也就是說，DreamerV3 如今成了世界上第一個純靠自己摸，就能在《我的世界》里挖鉆石的 AI。并且 DreamerV3 的本事可不只是玩 MC。在另外 7 項基準(zhǔn)測試中，DreamerV3 都取得了成功，并且在 BSuite、Crafter 上達到了 SOTA。值得一提的是，在這些任務(wù)中，訓(xùn)智能體所用到的 GPU 資源都僅為 1 塊 V100。研究人員表示，這意味著有更多的實驗室能跑動這一模型。另外，在需時空推理的三維空間中，DreamerV3 也能快速進行學(xué)習(xí)。在 DeepMind 為強化學(xué)習(xí)專門打造的 3D 平臺 DMLab 上，DreamerV3 在任務(wù)中使用的交互次數(shù)僅為 IMPALA 的 1/130。目前，DreamerV3 的代碼是 coming soon 的狀態(tài)。感興趣的小伙伴可以蹲乘黃波~參考鏈接：[1]https://danijar.com/project/dreamerv3/[2]https://twitter.com/DeepMind/status/1613159943040811010本文來自微信公眾號：量子位 （ID：QbitAI），作者：魚羊 Alex