twitter涨赞网站 --推特刷赞

栗子 发自 凹非寺

量子位 报道 | 公众号 QbitAI

能下围棋、能打刀塔、能玩星际……深度强化学习(DRL) 就快称霸世界了。

但业界一直有种常见的担忧：

强化学习 (RL) 太慢。人类一两盘就能学会的游戏，AI可能要和游戏环境互动上亿次才能解锁。样本效率低，模拟不出人类学习的过程。

现在，DeepMind团队用新近的研究成果总结，来告诉大家这种担忧不值得：

深度强化学习已经有了非常快速且灵活的技术。

并且，从AI领域诞生的方法，也能为人类的心理学和神经科学带来新的理解。

这篇深度强化学习综述，已经获得了推特观众的799赞。

为什么会慢

最近五年，是DRL爆发的时期。一开始，就像人们批判的那样，算法的确学得很慢。

但要让它快起来，首先要知道为什么慢。

DeepMind举出了两个主要原因：

一是增量式的参数更新(Incremental Parameter Adjustment) 。最初的算法，从输入的周围环境，到输出的AI动作之间，是靠梯度下降来完成映射的。

在这个过程中，每个增量都需要非常小，才不至于让新学到的信息，把之前学到的经验覆盖了 (这叫做灾难性干扰) 。如此一来，学习过程便十分缓慢。

二是弱归纳偏置(Weak Inductive Bias) 。任何学习过程，都要面临偏见-方差权衡。

所谓偏见，就是一开始限定好一些可能的结果，AI从里面找出自己想要的那一种。限定越窄，AI就可以只考虑为数不多的可能性，更快地得出结果。

弱归纳偏置，就需要考虑更多的可能性，学习也就慢一些。重要的是，通用神经网络都是偏见极低的系统，他们有非常大量的参数，可以用来拟合大范围的数据。

DRL，就是把深度网络用到RL里面。所以，最初样本效率必然是极低，需要大量数据来学习。

快从慢中来

不过，从最近的研究上看， 这两个问题都是有办法解决的。

DeepMind举出了两种方法，对症下药。

首先，解决参数增量的问题：

方法是情节性深度强化学习(Episodic DRL) 。就是给过去发生的事件，保留一个明确的记录 (Explicit Record) 。这个记录会作为依据，指导AI做出新的决策。

它与机器学习里非参数的方法异曲同工，也很像基于示例 (Exemplar-Based) 的心理学原理。

当遇到一个新事件，该做新决策的时候，就把当前事件的内部表征 (Internal Representation) ，跟储存的各种过去事件对比一下。匹配分数最高的中选。

和增量方法的区别在于：在这里，从过去的事件里学到的信息，都可以立刻派上用场，由此加速了学习过程。

但注意，快速的情节学习，是以缓慢的增量学习为基础的。

因为，在把当前事件和过去事件的表征作对比之前，AI先要学会这些表征：连接权重(Connection Weights) 的学习，依然要靠增量来进行，就像传统的DRL算法那样。

慢慢学好表征之后，才能开始迅猛地奔跑。

DeepMind说，快从慢中生并不是什么巧合，在心理学和神经科学上的体现，不亚于AI领域 (这个部分，大家可以自行探索原文) 。

然后，再解决归纳偏置的问题：

首先限定好一个狭窄的范围，再让AI去探索。道理都懂，可怎么知道应该限定在哪里？

答案是，借鉴过去的经验。

打个比方，第一次用智能手机的人类，可能从前还用过其他的设备。那里的经验，就可以帮他很快学会智能手机的用法。如果没有那些经验，就只能广泛尝试，影响学习速度了。

这个思路，也是从心理学上来的，叫做学着学习 (Learning to Learn)。

心理学家Harry Harlow就曾经用猴子来做实验：给猴子两个不熟悉的物体，一个下面放食物，一个不放。换两个物体，再换两个……久之猴子就知道，一边有食物一边没有，不管物体是什么，不管左边有还是右边有。

回到AI上来，用过去的经验来加速学习，在机器学习里叫做元学习 (Meta-Learning)。

Wang与Duan带领的两项研究，几乎是同时发表。都把这样的原理用在了深度强化学习上，就是元强化学习 (Meta RL)。

一个RNN是用许多互相关联的RL任务来训练的。

RNN的权重慢慢调整，然后可以吸取各种RL任务里面的共同点，改变网络的设定。原本，它没办法做到快速改变，来支持任何一个单一任务。

重点来了，从RNN的活动动态 (Activity Dynamics) 中，可以生出一个独立的RL算法，根据过往的任务，快速解决新任务。

一个RL算法，能生出另一个RL算法，这就是元强化学习。

像情节性RL一样，元RL也涉及了快速和慢速之间的联系：

RNN中的连接，是在不同RL任务的学习中缓慢更新的，建立起不同任务之间共同的部分，把它内置到网络里去。

让这个RNN，来实现新的RL算法，就可以快速搞定各种情况了。毕竟，已经有了慢速学习的归纳偏置做基础 (就像人类使用智能手机之前，已经用过其他设备那样)。

依然，慢是快的前提。

当然，情节性DRL可以和元RL合在一起用，相辅相成。

在情节性的元强化学习里，元学习是在RNN里实现的，不过上面叠加了一个情节记忆系统，作用是恢复RNN里的活动模式 (Patterns of Activity) 。

就像情节性RL一样，情节记忆会对各种过去的事件进行编目，可以查询。

但决策过程不一样，不是按照匹配分数来选择下一步的动作。而是和RNN存储好的活动模式，联系起来。

这些模式非常重要，通过RNN，它们可以总结出智能体学到的东西。

当智能体遇到了类似过去的情况，就会在从前的经验中，恢复一些隐藏的activations，让之前学过的信息立即派上用场，影响当前的策略。

这就叫情节性元强化学习，可以进一步加快强化学习的速度。

慢慢地，人们开始减轻对强化学习算法的担忧；并重新开始相信，这样的AI可以模拟人类的学习过程。

传送门

不知未来，不断加速的强化学习，还能在哪些领域超越人类呢？

综述原文传送门：

https://www.cell.com/action/showPdf?pii=S1364-6613%2819%2930061-0

— 完 —

诚挚招聘

量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复招聘两个字。

量子位 QbitAI · 头条号签约作者

վᴗ ի 追踪AI技术和产品新动态