一夜之間，AI智能體突然霸屏全網。

業界大佬紛紛將關注重點從LLM轉向了AI智能體，OpenAI的首席科學家Karpathy認為AI智能體是未來。

就連英偉達老黃表示，下一波人工智能浪潮是具身人工智能，簡之「AI智能體」。

這不，近來斯坦福的最新研究，直接讓AI智能體和一只小鼠來一場面對面的競爭，以確定誰能獲勝。

最新研究結果已發表在arXiv上，并被ICML 2023接收。

論文地址：https://arxiv.org/pdf/2306.15934.pdf

智能體大戰小鼠

斯坦福研究人員Isaac Kauvar設計了一個簡單任務，「探索和適應周圍環境」。

Kauvar將一只小鼠放在狹小的空盒子里，類似地，將AI智能體放在一個3D虛擬競技場中。

圖片

然后，他在兩個環境中都放了一個紅色的球。接下來，測試誰會更快地探索這個新物體。

結果顯示，小鼠迅速靠近球，并在接下來的幾分鐘里不斷與之互動。但是AI智能體似乎沒有注意到它。

第一回合，小鼠勝，智能體失敗。

Kauvar表示，這完全出乎意料的，我們意識到，即使使用最先進的算法，性能仍然存在差距。

因此，學者們思考著：他們是否可以利用這些看似簡單的動物行為作為啟示，改進AI系統呢？

沿著這個思路的啟發，研究人員設計一種名為「好奇回放」（curious replay）的全新訓練方法。

該方法使AI智能體能夠「自我反思」最近遇到的最新奇，以及最有趣的事物。

添加了「好奇回放」之后，AI智能體就能夠更快地接近，并與紅球進行互動。此外，它還極大地改善了基于Minecraft的游戲「Crafter」的性能。

圖片

通過好奇心學習

要知道，真正的超級AI智能體，是能夠像人類一樣進行感知、交互、理解的AI。

而好奇心，對于人類認知世界，探索周遭環境至關重要，不論是避免危險情況，還是尋找生存必需品都必不可少。

在實驗中，紅球可能是致命的毒藥，亦或是一頓滋養的餐食，如果我們忽視它，將很難找出真相。

這就是為什么斯坦福研究人員，在驅動AI智能體的行為中增加了「好奇信號」，特別是基于模型的深度強化學習智能體。

這個信號告訴它們，去選擇能夠導致更有趣結果的行動，比如，看到門要打開門，而不是忽略它。

圖片

好奇回放通過使用好奇心引導的優先級來促進模型在最不熟悉的經驗的訓練，從而關閉了經驗回放和世界模型性能之間的循環

這一次，團隊以一種全新方式，利用好奇心來幫助AI智能體了解其世界，而不僅僅是做出決策。

Kauvar說：「我們不是選擇要做什么，而是選擇要思考什么，或多或少地選擇我們想要從過去的經歷中學到什么」。

換句話說，他們希望鼓勵AI智能體進行「自我反思」。從某種意義上說，關于它最有趣或最奇特的（與好奇心相關的）經歷。

這樣，智能體就可以被促使以不同的方式與物體互動以獲得更多的學習，這將指導它對環境的理解，并可能激發對其他物品的好奇心。

為了以這種方式實現自我反思，研究人員修改了一種常用的用于訓練AI智能體的方法，稱為「經驗回放」。

在這種方法中，智能體存儲其所有互動的記憶，然后隨機重放其中的一些以再次學習。

「經驗回放」受到了有關睡眠的研究的啟發：神經科學家發現，一個被稱為海馬體的大腦區域會「重播」一天的事件（通過重新激活特定的神經元）以加強記憶。

在AI智能體中，「經驗回放」在環境變化不大，且正確行為獲得明確獎勵的場景中，能夠取得高性能。

但是，研究人員推斷，在一個不斷變化的環境中，AI智能體更有意義的是優先回放那些最有趣的經歷，比如紅球的出現，而不是一遍又一遍地回放空蕩的虛擬房間。

他們將這種新方法稱為好奇回放，并發現它立即生效。Kauvar說：「突然之間，智能體與球的互動速度明顯增加?！?/span>

圖片

對于算法的設計，優先級信號是新奇和驚喜的疊加組合：

圖片

好奇回放是對現有智能體的簡單修改。這些智能體使用經驗重播，計算開銷最小，利用了經驗采樣次數的計數，以及為每個訓練批次計算的模型損失。

這種優先級在需要適應的不斷變化的環境中特別有用。好奇回放有助于隨著環境的變化，保持世界模型的最新狀態，這是有效行動選擇的先決條件。

另外，研究人員發現，一個領先的好奇心強的人工智能智能體Plan2Explore，在需要適應的情況下，行為明顯變差（例如與對象互動的時間變慢）。

圖片

究其原因，部分是世界模型的訓練，使用「經驗回放」緩沖區的統一抽樣：因此舊的、無聊的經驗和較罕見的新的、有趣的經驗一樣有可能被訓練到。

圖片

如果轉而優先考慮對「有趣的經歷」進行抽樣調查結果如何？AI智能體使用好奇心信號（如新奇感和驚喜）來衡量過去經歷的趣味性。

圖片

結果發現，這個簡單的變化極大地改善了適應性，世界模型的性能得到了改善，與物體的互動也大大增加。

它也比現有的優先考慮「經驗回放」的方法（如使用獎勵相關的信號，如TD錯誤）表現得更好。

圖片

但他們并未止步于此。

研究人員還將好奇回放添加到了玩一個名為Crafter的游戲的AI智能體中，這是一種用于測試AI智能體創造性問題解決能力的標準測試，類似于Minecraft。

智能體需要通過學習如何收集木材和石頭、制作鎬子以及收集鐵礦石來求生和適應。

好奇回放方法將當前的最先進得分從大約14提高到19（人類通常得分約為50）——僅僅通過「這一個改變」，Kauvar說道。

好奇回放在Crafter基準上取得SOTA，超過了DreamerV3，足見其在挑戰技能方面能力的大幅提升。

圖片

一個好奇的未來

好奇回放方法在簡單和復雜任務中的成功表明，它對于未來廣泛的人工智能研究將非常重要。

論文作者Haber說道，「這項工作的總體目標是使智能體能夠利用先前的經驗，在探索新的或變化的環境中高效適應，這將導致更加適應性強、靈活性更高的技術，從家庭機器人到個性化學習工具」。

Kauvar的博士后工作由Haber和神經科學家Karl Deisseroth（生物工程和精神病學系D.H. Chen教授）共同指導，他對從動物行為中汲取靈感以改進人工智能系統的主題感到興奮——他計劃繼續在更復雜的任務上測試小鼠和AI智能體，以比較它們的行為和能力。

「很多人只是嘴上說說受到動物的啟發，但我們正在建立一個直接的橋梁——而不是模糊的橋梁。我們試圖做完全相同的事情」。

Kauvar希望這樣的工作能夠幫助「閉環」AI研究和神經科學之間的聯系，并有助于我們對動物行為和底層神經過程的理解。

他表示，「你可以想象，這整個方法可能會產生以前從未想到的假設和新實驗」。

作者介紹

Isaac Kauvar

Isaac Kauvar是斯坦福大學的LSRF博士后研究員，與Nick Haber一起在斯坦福自主智能體實驗室工作，研究人工智能、神經科學和心理學的交叉領域。

他對大腦多個區域的細胞網絡如何協同工作來模擬世界感興趣。

Kauvar曾在斯坦福獲得了電氣工程博士學位。在那里，我開發了記錄整個皮層神經活動的光學工具，并發現了一種神經振蕩——奇怪地局限于一個皮層區域——這似乎是氯胺酮等藥物解離作用的基礎。

參考資料：

https://hai.stanford.edu/news/ai-agents-self-reflect-perform-better-changing-environments

https://arxiv.org/abs/2306.15934