高明！OpenAI提出HER算法，人工智能可像人類一樣認(rèn)識錯誤汲取教訓(xùn)

失敗是成功之母：HER有自我審視能力。

OpenAI的研究人員集中精力于構(gòu)建具有更強(qiáng)的學(xué)習(xí)能力的人工智能。得益于他們的增強(qiáng)學(xué)習(xí)系統(tǒng)OpenAI baselines，機(jī)器學(xué)習(xí)算法可以進(jìn)行自主學(xué)習(xí)。目前，這個(gè)新的算法保證人工智能可以像人類一樣從自己的錯誤中汲取教訓(xùn)。

這個(gè)進(jìn)步源于OpenAI的研究人員在近期公布的名為“后見之明經(jīng)驗(yàn)復(fù)現(xiàn)（Hindsight Experience Reply, HER）”的開源算法。正如名字所示，HER幫助人工智能系統(tǒng)在完成一項(xiàng)任務(wù)后，具有自我審視的能力。OpenAI的博客中提到，人工智能認(rèn)為失敗乃成功之母。

研究人員寫到：“構(gòu)建HER的關(guān)鍵在于利用人類的直覺：在實(shí)現(xiàn)某個(gè)任務(wù)時(shí)，雖然我們沒有成功，但是在這個(gè)過程中我們學(xué)到一些不一樣的東西，既然如此，為何不能將我們最終學(xué)到的知識作為我們最初的目標(biāo)呢？“

簡而言之，這意味著每一次失敗的嘗試都是為了實(shí)現(xiàn)一個(gè)意想不到的“虛擬”目標(biāo)，而非既定目標(biāo)。

回想一下你學(xué)騎單車的經(jīng)歷，在最開始的幾次嘗試中，你無法掌握平衡。但是這些經(jīng)驗(yàn)告訴了你怎么騎車是不正確的，怎么做不能保持平衡。就像在人類的學(xué)習(xí)過程中，每一次的失敗讓我們距離成功更進(jìn)一步。

獎勵每一次失敗，并且失敗也不沮喪

通過使用HER，OpenAI希望他們的人工智能系統(tǒng)可以利用上述的方法來學(xué)習(xí)。與此同時(shí)，這種算法也被作為增強(qiáng)學(xué)習(xí)模型中的獎勵機(jī)制的替代算法。為了訓(xùn)練人工智能，使其具有獨(dú)立的學(xué)習(xí)能力，它需要包含一個(gè)獎勵機(jī)制：如果人工智能算法達(dá)到了預(yù)期目標(biāo)，就可以得到一個(gè)小獎勵，就像獎勵給小孩子一塊奶油餅干一樣，否則就什么都得不到。另外一個(gè)系統(tǒng)根據(jù)人工智能距離預(yù)期目標(biāo)的距離來給出獎勵。

但是這兩種算法并不是完美的。第一個(gè)算法會阻礙學(xué)習(xí)，因?yàn)橐粋€(gè)人工智能算法在訓(xùn)練過程中要么得到獎勵，要么沒得到。另一方面，根據(jù)IEEE Spectrum報(bào)道的內(nèi)容顯示，第二系統(tǒng)在實(shí)現(xiàn)時(shí)，需要衡量與目標(biāo)的距離并給出獎勵，這個(gè)過程是很需要技巧的。如果把每一個(gè)任務(wù)都當(dāng)作是后見之明的目標(biāo)，即使人工智能系統(tǒng)沒有完成指定的任務(wù)，HER也會提供一個(gè)獎勵。這樣幫助人工智能更快更好地學(xué)習(xí)。

OpenAI 在他的的博客中提到：“通過進(jìn)行這種獎勵機(jī)制的替換，強(qiáng)化學(xué)習(xí)算法在實(shí)現(xiàn)某些目標(biāo)后會獲得一個(gè)學(xué)習(xí)信號，即使這個(gè)學(xué)習(xí)任務(wù)不是它最初希望實(shí)現(xiàn)的。如果重復(fù)這個(gè)過程，系統(tǒng)最終可以實(shí)現(xiàn)任意的目標(biāo)，包括最初的既定目標(biāo)。

這種方法并不意味著使用HER方法可以完全簡化人工智能系統(tǒng)學(xué)習(xí)某個(gè)任務(wù)的過程。研究者表示：“在機(jī)器人上使用HER進(jìn)行學(xué)習(xí)仍然很難實(shí)現(xiàn)，因?yàn)檫@個(gè)過程需要大量的數(shù)據(jù)“。

無論如何，正如OpenAI的模型所顯示的，HER有助于鼓勵人工智能系統(tǒng)像人類一樣從錯誤中學(xué)習(xí)，兩者的主要區(qū)別在于人工智能在面對失敗的時(shí)候不會像一些脆弱的人類那樣傷心沮喪。