文章的開頭，先拋出一個問題：大家在玩電子游戲的時候，一門心思投入進(jìn)去，會發(fā)現(xiàn)自己根本停不下來，是什么原因?qū)е碌哪兀?/p>

這個問題可能有些寬泛，無法給出一個確切的答案。但如果你想要把接新任務(wù)，升級或者再玩一把等一系列概括起來，最簡單的解釋就是“好奇心”——只是想看看接下來會發(fā)生什么。事實證明，在指導(dǎo)人工智能玩電子游戲時，好奇心是一個非常有效的動力。

非營利人工智能研究公司OpenAI本周發(fā)布的一項研究解釋了一個具有好奇心的AI agent如何攻克經(jīng)典的1984 Atari游戲Montezuma＇s Revenge。熟練掌握Montezuma＇s Revenge算是人工智能的一大進(jìn)步，但不能將其等同于打敗Go或Dota 2的里程碑。谷歌旗下的人工智能公司DeepMind2015年發(fā)布了一篇開創(chuàng)性論文，解釋AI如果通過深度學(xué)習(xí)在許多Atari游戲里獲得高分，擊敗強大的人類玩家，其中Montezuma’s Revenge是唯一一款得分為0的游戲，算法未能學(xué)習(xí)如何去玩這個游戲。

游戲難度高的原因在于它的操作方式與AI agent學(xué)習(xí)的方式不匹配，這也揭示出機器學(xué)習(xí)存在盲點。

要想AI agent掌握電子游戲的玩法，通常需借助強化學(xué)習(xí)的訓(xùn)練方法。在這種訓(xùn)練中，agent會被放入虛擬世界，并且會因為某些結(jié)果而獲得獎勵（如增加分?jǐn)?shù)），或是受到懲罰（如失去一條命）。AI Agent開始隨機玩游戲，且能學(xué)會在反復(fù)試驗之后改進(jìn)其策略。強化學(xué)習(xí)通常被看作是構(gòu)建智能機器人的關(guān)鍵方法。

Montezuma＇s Revenge的問題在于它不能為AI agent提供定期獎勵。這是一個益智類游戲，玩家必須探索地下金字塔，躲避陷阱和敵人，同時收集解鎖門和特殊物品的鑰匙。如果你正在訓(xùn)練AI agent攻克這款游戲，可以在它活著通過各個房間并收集鑰匙時給予其一定的獎勵。但是你該如何教他保存其他物品的鑰匙，并使用這些物品來克服陷阱并完成關(guān)卡呢？

答案就是：好奇心。

在OpenAI的研究中，他們的agent獲得獎勵不僅僅是因為跳過尖峰，還為了探索金字塔的新板塊。探索新板塊的好奇心是一大動力，也促成了agent在游戲中優(yōu)于人類的表現(xiàn)，機器人在9次闖關(guān)中平均得分10000（人類平均得分4000）。OpenAI稱，在一次運行中，agent甚至通過了第一關(guān)。

OpenAI的Harrison Edwards告訴The Verge：“我們目前已經(jīng)開發(fā)出一個可以探索大量房間，獲得大量獎勵，偶爾還能闖過第一關(guān)的系統(tǒng)。”并補充道，游戲的其他關(guān)卡跟第一關(guān)類似，游戲通關(guān)“只是時間問題�！�

攻克“NOISY TV PROBLEM”

OpenAI并非第一家嘗試這種方法的實驗室，AI研究人員幾十年來一直在利用“好奇心”的概念作為誘因。他們之前也曾將此應(yīng)用于Montezuma’s Revenge，但如果沒有指導(dǎo)人工智能從人類的例子中學(xué)習(xí)，就不會如此成功。

然而，盡管這里的一般理論已經(jīng)確立，但構(gòu)建特定解決方案仍然具有挑戰(zhàn)性。例如，基于預(yù)測的好奇心僅在學(xué)習(xí)某些類型的游戲時有用。它適用于馬里奧這類游戲，游戲過程中探索空間大，關(guān)卡設(shè)置多，且充斥著從未見過的怪物。但對于Pong這種簡單游戲，AI agent更愿意打持久戰(zhàn)，而不是真正擊敗他們的對手。（或許是因為贏得比賽比游戲中球的路徑更好預(yù)測。）

另一個實驗是“Noisy TV problem”，實驗中已被編程為尋找新體驗的AI agent沉迷于隨機模式，例如調(diào)諧至靜態(tài)噪音的電視。這是因為agent對“有趣”和“新”的感覺來源于他們預(yù)測未來的能力。在采取某種行動之前，他們會預(yù)測游戲之后的情況。如果他們猜對了，很可能是他們之前已經(jīng)看過這個關(guān)卡了。這種機制被稱為“預(yù)測錯誤”。

但因為靜態(tài)噪聲是不可預(yù)測的，實驗中AI agent被放入迷宮中，任務(wù)是找到獎勵最高的物體。環(huán)境中還有一臺電視，電視上的頻道可由遙控器隨機轉(zhuǎn)換，因為每次換臺的結(jié)果是不可預(yù)測的、令人驚訝的，面對這樣電視（或類似不可預(yù)測的刺激），AI agent變得十分迷惑。OpenAI將這個問題與沉迷于老虎機的人類賭徒進(jìn)行了比較，人們不知道接下來會發(fā)生什么，所以不舍得就此離開。

OpenAI的這項新研究通過改變AI預(yù)測未來的方式巧妙地回避了這個問題。準(zhǔn)確的方法（稱為Random Network Distillation）十分復(fù)雜，Edwards和他的同事Yuri Burda將其解釋為在游戲的每個界面中設(shè)置一些隱藏信息，等著人工智能去挖掘。這個隱藏任務(wù)是隨機的，無多大意義（Edwards建議道，比方說“屏幕左上角的顏色是什么？”），但可以激勵agent繼續(xù)探索游戲，而不會讓它過分容易地受到噪音電視陷阱的影響。

值得注意的是，這個激勵因素并不需要大量的計算，這點非常重要。強化學(xué)習(xí)的方法依賴大量數(shù)據(jù)來訓(xùn)練AI agent，所以訓(xùn)練中的每一步都需要盡可能快速的完成。

來自Unity的軟件工程師Arthur Juliani，同時還是一位機器學(xué)習(xí)方面的專家，他表示，這正是OpenAI研究工作的亮點所在。Juliani告訴The Verge：“OpenAI使用的方法非常簡單，卻非常有效�？v觀過去應(yīng)用于游戲的探索方法，復(fù)雜有余，且基本上沒有給科技圈帶來多少印象深刻的結(jié)果，相比起來，OpenAI的方法就簡單得多了�！�

Juliani表示，鑒于Montezuma’s Revenge不同關(guān)卡之間的相似性，OpenAI目前完成的工作基本上等同于攻克整個游戲了。但他補充道：“事實上，他們無法確保每次都能闖過第一關(guān)，這意味著仍然存在一些挑戰(zhàn)�！盝uliani還想知道OpenAI的方法是否適用于3D游戲，3D游戲的難度相較其他可能更大，視覺特征更加微妙，且游戲中第一人稱視角遮擋了大部分界面。

“3D游戲里，在需要探索的情景中，環(huán)境各部分之間的差異更為微妙，這種方法的實際表現(xiàn)可能不會太好，”Juliani說到。

好奇心

但是為什么我們首先需要具備好奇心的AI呢？具備好奇心的AI跟人類一樣，很容易沉迷于隨機模式。

最大的原因是好奇心有助于計算機進(jìn)行自我學(xué)習(xí)。

如今被廣泛采用的機器學(xué)習(xí)方法大致可分為兩個陣營：第一種，機器通過瀏覽大量數(shù)據(jù)來學(xué)習(xí)，并計算出可以應(yīng)用于類似問題的模式；第二種，機器被投入環(huán)境中，利用強化學(xué)習(xí)方法獲得某些成就，從而獲得獎勵，也就是用獎勵刺激的形式促使機器學(xué)習(xí)。

這兩種方法在特定任務(wù)中都是有效的，但并非完全依靠機器自身進(jìn)行，無論是標(biāo)記培訓(xùn)數(shù)據(jù)還是為虛擬環(huán)境設(shè)計獎勵功能，都離不開大量的人工。通過為人工智能系統(tǒng)提供探索的內(nèi)在誘因，一些工作被消除，人類無需像從前一樣花費過多精力在機器學(xué)習(xí)上，在誘因的刺激下，機器能夠自主學(xué)習(xí)。

OpenAI的Edwards和Burda表示，這種好奇心驅(qū)使的學(xué)習(xí)系統(tǒng)比起設(shè)計開發(fā)在現(xiàn)實世界中運行的計算機程序要好得多。畢竟，跟Montezuma’s Revenge一樣，實際生活中，即時獎勵往往很少，我們都需要長時間工作、學(xué)習(xí)和探索才能得到回報。好奇心能幫助我們繼續(xù)前進(jìn)，或許也可以幫助計算機。