OpenAI发布研究需求2.0：七大人工智能难题等你来破解

译者｜刘志勇

编辑｜Emily、Debra

AI 前线导读：OpenAI 是家 2015 年末成立的公司，其创始人之一就是刚刚成功发射猎鹰重型运载火箭——现役世界上运力最强的火箭（而且其助推器可回收，并开启了廉价发射新纪元）——的东家 Elon Musk！OpenAI 主要关注的重点是前沿的机器学习技术，就像被 Google 收购了的 DeepMind 那样，核心目标是 Solve Intelligence，解决智能，服务人类。与 DeepMind 不同之处在于，OpenAI 会将其研究的内容进行开源分享，让更多的人拥有和使用 AI，以将最大限度地造福全人类的方式发展人工智能。此前，OpenAI 曾发布研究需求列表，并催生了几篇有影响力的论文，加快了 OpenAI 自身的增强学习研究。今天，OpenAI 再次发布了研究需求 2.0！AI 前线就为大家带来这篇文章，并进行简单的讲解。

更多干货内容请关注微信公众号“AI 前线”，（ID：ai-front）

在 OpenAI 的研究过程中，我们发布了新一批 7 个未解决的问题。就像我们最初发布的研究需求 [1]，由此催生了几篇论文，如 Image-to-Markup Generation with Coarse-to-Fine Attention[2]、Parallel Trust Region Policy Optimization with MultipleActors[3]、Generative Latent Attentive Sampler[4]、Learning from the memory of Atari 2600[5] 等。我们希望，这些问题能够成为欢迎新手们进入这个领域的有趣而有意义的方式，同时也让从业者磨练他们的技能（这也是在 OpenAI 得到一份工作的一个好方法）。

课前热身

如果你不确定从哪里开始的话，以下是一些解决的入门问题。

注：“★”为该问题的难度系数

★训练一个 LSTM 来解决 XOR 问题：即给定一个位序列，确定它的奇偶性。LSTM[6] 应该使用序列，一次一个位，然后在序列末尾输出正确答案。测试以下两种方法：

• 生成长度为 50 的随机 100,000 个二进制字符串的数据集。训练 LSTM，你会得到什么样的表现？

• 生成随机 100,000 个二进制字符串的数据集，其中每个字符串的长度是独立的，在 1 到 50 之间随机选择。然后训练 LSTM。它成功了吗？和上一种方法有什么区别吗？

★将经典的贪吃蛇游戏的克隆副本作为 Gym[7] 环境，并通过你选择的强化学习算法：近段策略优化（Proximal Policy Optimization，PPO）算法 [8] 来解决它。把智能体进行游戏的视频给我们（@openai）发推，你能训练出能够赢得比赛的策略吗？

AI 前线： Gym 是 OpenAI 为测试和开发 RL 算法而设计的环境 / 任务的模块集合。它让用户不必再创建复杂的环境。Gym 用 Python 编写，它有很多的环境，比如机器人模拟或 Atari 游戏。它还提供了一个在线排行榜，供人们比较结果和代码。简而言之，Gym 是一款用于研发和比较强化学习算法的工具包，它支持训练智能体（agent）做任何事——从行走到玩 Pong 或围棋之类的游戏，都在范围中。

近段策略优化算法是 OpenAI 发布的一种新型的强化学习算法，该算法的实现和调参十分简单，并且它的性能甚至要超过现阶段最优秀的方法。因为该算法实现非常简单并且有优秀的性能，PPO 已经成为了 OpenAI 默认使用的强化学习算法。

研究需求

★★Slitherin’。实现并解决一个多玩家贪吃蛇游戏（见 slither.io 的灵感）的克隆副本作为 Gym 的环境。

环境：有一个相当大的场地与多条蛇；吃到随机出现的水果时，蛇会变长；一条蛇在与另一条蛇、自身或墙壁相撞时会死亡；当所有的蛇死亡时，游戏就结束了。游戏一开始有两条蛇。智能体：使用自己选择的 RL 算法 [9][10] 进行自玩来解决环境问题。您需要尝试各种方法来克服自玩的不稳定性（这就像人们所见 GAN 的不稳定性）。例如，根据过去的政策分配，尝试训练现行政策。哪种方法效果最有效？

检查习得行为：智能体是否学会了追逐食物并避开其他蛇的能力？智能体是否学会攻击、陷害，或联合起来对付竞争对手？

★★★分布式 RL 的参数平均。 探讨参数平均方案对 RL 算法中样本复杂度（Sample complexity）[11] 和通信量的影响。虽然最简单的解决方案是，在每次更新时，平均每个 worker 的梯度，但你可以通过独立更新 worker，然后不要常常平均参数，以节省通信带宽 [12]。在 RL 中，这样做可能还有一个好处：在任何时候我们都会有不同参数的智能体，这可能会让我们得以进行更好的探索。另一种可能就是使用像 EASGD（Elastic Averaging SGD，弹性平均梯度下降法）[13] 的算法，它可以在每次更新时，将参数部分地结合在一起。

AI 前线：样本复杂度，是指学习机器以高概率学习到某个 “成功的”函数所需要的训练数据的数目。

因为训练深度神经网络是非常好使的过程，比如用卷积神经网络去训练一个目标识别任务需要好几天来训练。为了缩短这一过程，现在有一种方法是充分利用集群的资源，加快训练速度。SparkNet 是基于 Spark 的深度神经网络架构，是建立在 Apache Spark 和 Caffe 深度学习库的基础之上的。而 Apache Spark 是围绕速度、易用性和复杂分析构建的大数据处理框架。EASGD，使不同工作机之间不同的 SGD 以一个“弹性力”连接，也就是一个储存于参数服务器的中心变量。这允许局部变量比中心变量更大地波动，理论上允许了对参数空间更多的探索。经验表明，提高的探索能力有助于在寻找新的局部极值中提升（优化器的）表现。

★★★基于生成模型的不同游戏间的迁移学习。 按以下所述操作：

• 为 11 个 Atari[14] 游戏制定良好的策略。从每场游戏的策略中，生成 10,000 条轨迹，每个轨迹 1000 步。

• 将一个生成模型（如 Transformer[15]）与 10 场游戏产生的轨迹相匹配。

• 然后在第 11 场游戏中对那个模型进行微调。

• 你的目标是量化 10 场游戏的预训练的好处。这个模型需要多大程度的预训练才能发挥作用呢？当第 11 场游戏的数据量减少 10 倍时，效果大小如何变化？减少 100 倍呢？

★★★线性注意力的 Transformers。 Transformers 模型使用带 softmax 的“Soft Attention”模型。如果我们可以使用线性注意力（linear attention）（可将其转换为快速权重 [16] 的 RNN），那么我们可以使用所得到的的 RL 模型。具体而言，在庞大的环境中使用 Transformers 进行 RL 部署是不切实际的。但运行一个具有快速权重的 RNN 是非常可行的。你的目标是：采取任何余元建模任务；训练 Transformers，然后找到一种方法，在不增加参数总数的情况下，使用具有不同超参数的线性注意力 Transformers，来获得每个字符 / 字的相同位元。只有一个警告：这很可能是个无法实现的结果。但是有条或许有用的提示：与使用 softmax 的注意力模型相比，具有线性注意力的 Transformers 可能需要更高维度的 key/value 的向量，这点可以在不显著增加参数数量的前提下完成。

AI 前线： Soft Attention 模型，由论文 Neural machine translation by jointly learning to align and translate[17] 提出，并将其应用到机器翻译。此处 soft，意即在求注意力分配概率分布时，对于输入锯子中任意一个单词都给出个概率，这就是概率分布。而 softmax 用于多分类过程中，它将多个神经元的输出，映射到 (0,1) 区间内，可以看成概率来理解，从而进行多分类。转换器（transformers）是 Apache Spark 机器学习框架中的管道组件，是包括特征变换和学习模型的一种抽象。

★★★习得数据增强（Data Augmentation）。您可以使用习得的 VAE[18] 数据来执行“习得数据增强”。首先要对输入数据上训练一个 VAE，然后将每个训练点编码到一个潜在空间，然后在潜在空间中应用简单的（例如高斯）扰动，然后解码回观察空间。我们可以用这种方法来获得改进的泛化吗？这种数据增强的一个潜在好处是，它可以包括许多非线性变换，如视点变化和场景闪电的变化。我们能近似于标签不变的转换集吗？

AI 前线： VAE 即 Variational Autoencode，变分自编码器。VAE 可用于对先验数据分布进行建模。它包括两部分：编码器和解码器。编码器将数据分布的高级特征映射到数据的低级表征，低级表征叫作本征向量（latent vector）。解码器吸收数据的低级表征，然后输出同样数据的高级表征。VAE 是一个使用学好的近似推断的有向模型，可以纯粹地使用基于梯度的方法进行训练。数据增强（Data Augmentation）是为了在深度学习中避免出现过拟合（Overfitting），通常我们需要输入充足的数据量．为了得到更加充足的数据，我们通常需要对原有的图像数据进行几何变换，改变图像像素的位置并保证特征不变。

★★★★强化学习中的正则化。实验研究（和定性解释）不同正则化方法对所选 RL 算法的影响。在有监督的深度学习中，正则化对于改进优化 [19] 和防止过拟合具有极其重要的定义，其方法非常成功，如中途退出（Dropout）[20]、批量归一化（batch normalization）[21] 和 L2 正则化（L2 regularization）[22]。然而，人们并没有从正则化的强化学习算法收益，比如策略梯度 [23] 和 Q-learning[24]。顺便提一句，在 RL 中，人们通常使用比监督学习更小的模型，因为大型模型的表现更差——可能是因为它们过于适合最近的经验。要开始的话，可以阅读这篇论文：Regularization in Reinforcement Learning。[25] 这是一个相关但更古老的理论研究。

AI 前线： Q-learning 是强化学习中的一个很有名的算法。Q-lerning 的目标是达到目标状态 (Goal State) 并获取最高收益，一旦到达目标状态，最终收益保持不变。

★★★★★奥林匹克不等式问题（Olympiad Inequality Problems）的自动化解决方案。奥林匹克不等式问题很容易表达，但解决这些问题通常需要巧妙的手法 [26]。建立一个奥林匹克不等式问题的数据集，编写一个可以解决大部分问题的程序。目前尚不清楚机器学习在这里是否有用，但您可以使用一个学习策略来减少分支因素。

AI 前线：国际奥林匹克数学竞赛（International Mathematical Olympiad，IMO）素有“数学世界杯”之称，每年举办一次，由参赛国轮流主办。目的是为了发现并鼓励世界上具有数学天份的青少年，为各国进行科学教育交流创造条件，增进各国师生间的友好关系。它是国际科学奥林匹克历史最长的赛事，是国际中学生数学大赛，在世界上影响非常之大。

[1] OpenAI:Requests for Research 
[2] Image-to-Markup Generation with Coarse-to-Fine Attention 
[3] Parallel Trust Region Policy Optimization with MultipleActors 
[4] Generative Latent Attentive Sampler 
[5] Learning from the memory of Atari 2600 
[6] Attention Is All You Need 
[7] Github/gym 
[8] Proximal Policy Optimization Algorithms 
[9] AlphaGo Zero: Learning from scratch 
[10] Competitive Self-Play 
[11] Sample complexity 
[12] SparkNet: Training Deep Networks in Spark 
[13] Deep learning with Elastic Averaging SGD 
[14] Atari 
[15] Attention Is All You Need 
[16] Using Fast Weights to Attend to the Recent Past 
[17] Neural Machine Translation by Jointly Learning to Align and Translate 
[18] Tutorial-What is a variational autoencoder? 
[19] FIXING WEIGHT DECAY REGULARIZATION IN ADAM 
[20] Dropout 
[21] Batch Normalization — What the hey? 
[22] Differences between L1 and L2 as Loss Function and Regularization 
[23] Policy gradient methods 
[24] Q-learning 
[25] Regularization in Reinforcement Learning 
[26] Olympiad Inequalities 

如果觉得内容不错，记得给我们「留言」和「点赞」，给小编鼓励一下！