明敏 克雷西 發自 凹非寺

量子位 | 公眾號 QbitAI

DeepMind的AI智能體，又來卷自己了！

(資料圖)

注意看，這個名叫BBF的家伙，只用2個小時，就掌握了26款雅達利游戲，效率和人類相當，超越了自己一眾前輩。

要知道，AI智能體通過強化學習解決問題的效果一直都不錯，但最大的問題就在于這種方式效率很低，需要很長時間摸索。

而BBF帶來的突破正是在效率方面。

怪不得它的全名可以叫Bigger、Better、Faster。

而且它還能只在單卡上完成訓練，算力要求也降低許多。

BBF由谷歌DeepMind和蒙特利爾大學共同提出，目前數據和代碼均已開源。

最高可取得人類5倍成績

用于評價BBF游戲表現的數值，叫做IQM。

IQM是多方面游戲表現的綜合得分，本文中的IQM成績以人類為基準進行了歸一化處理。

經與多個前人成果相比較，BBF在包含26款雅達利游戲的Atari 100K測試數據集中取得了最高的IQM成績。

并且，在訓練過的26款游戲中，BBF的成績已經超過了人類。

與表現相似的Eff.Zero相比，BBF消耗的GPU時間縮短了將近一半。

而消耗GPU時間相似的SPR和SR-SPR，性能又和BBF差了一大截。

而在反復進行的測試中，BBF達到某一IQM分數的比例始終保持著較高水平。

甚至有超過總測試次數1/8的運行當中取得了5倍于人類的成績。

即使加上其他沒有訓練過的雅達利游戲，BBF也能取得超過人類一半的分數IQM分數。

而如果單獨看未訓練的這29款游戲，BBF的得分是人類的四至五成。

以SR-SPR為基礎修改

推動BBF研究的問題是，如何在樣本量稀少的情況下擴展深度強化學習網絡。

為了研究這一問題，DeepMind將目光聚焦在了Atari 100K基準上。

但DeepMind很快發現，單純增大模型規模并不能提高其表現。

在深度學習模型的設計中，每步更新次數（Replay Ratio，RR）是一項重要參數。

具體到雅達利游戲，RR值越大，模型在游戲中取得的成績越高。

最終，DeepMind以SR-SPR作為基礎引擎，SR-SPR的RR值最高可達16。

而DeepMind經過綜合考慮，選擇了8作為BBF的RR值。

考慮到部分用戶不愿花費RR=8的運算成本，DeepMind同時開發了RR=2版本的BBF

DeepMind對SR-SPR中的多項內容進行修改之后，采用自監管訓練得到了BBF，主要包括以下幾個方面：

更高的卷積層重置強度：提高卷積層重置強度可以增大面向隨機目標的擾動幅度，讓模型表現更好并減少損失，BBF的重置強度增加后，擾動幅度從SR-SPR的20%提高到了50%更大的網絡規模：將神經網絡層數從3層提高至15層，寬度也增大4倍更新范圍（n）縮小：想要提高模型的表現，需要使用非固定的n值。BBF每4萬個梯度步驟重置一次，每次重置的前1萬個梯度步驟中，n以指數形式從10下降至3，衰減階段占BBF訓練過程的25%更大的衰減因子（γ）：有人發現增大學習過程中的γ值可以提高模型表現，BBF的γ值從傳統的0.97增至0.997權重衰減：避免過度擬合的出現，BBF的衰減量約為0.1刪除NoisyNet：原始SR-SPR中包含的NoisyNet不能提高模型表現

消融實驗結果表明，在每步更新次數為2和8的條件下，上述因素對BBF的表現均有不同程度的影響。

其中，硬復位和更新范圍的縮小影響最為顯著。

而對于上面兩個圖中沒有提到的NoisyNet，對模型表現的影響則并不顯著。

論文地址：https://arxiv.org/abs/2305.19452GitHub項目頁：https://github.com/google-research/google-research/tree/master/bigger_better_faster參考鏈接：[1]https://the-decoder.com/deepminds-new-ai-agent-learns-26-games-in-two-hours/[2]https://www.marktechpost.com/2023/06/12/superhuman-performance-on-the-atari-100k-benchmark-the-power-of-bbf-a-new-value-based-rl-agent-from-google-deepmind-mila-and-universite-de-montreal/

— 完 —

量子位 QbitAI · 頭條號簽約

關鍵詞：