現(xiàn)在提到 AI 的時(shí)候，大家已經(jīng)很少聯(lián)想到電影《終結(jié)者》中的天網(wǎng)那樣有自己獨(dú)特思維邏輯以至于得出了反人類結(jié)論的「超人類智能」了。這當(dāng)然是件好事，說明我們都知道了現(xiàn)階段的 AI 并不具有那樣的邏輯思維能力，沿著現(xiàn)有方向繼續(xù)發(fā)展下去也不會(huì)有;也說明我們已經(jīng)了解了身邊就有形形色色的運(yùn)用機(jī)器學(xué)習(xí)解決具體問題的技術(shù)成果。

　　但我們同時(shí)也面對(duì)著一個(gè)新問題，就是隨著人類用模型做出越來越多的決策，模型所看重的因素真的和設(shè)計(jì)它的人類所希望的一樣嗎?又或者，模型完全捕捉了設(shè)計(jì)者提供的數(shù)據(jù)中的模式，但數(shù)據(jù)本身卻含有設(shè)計(jì)者沒有意識(shí)到的偏見。這時(shí)候我們又要怎么辦?

　　DeepMind 安全團(tuán)隊(duì)的這篇文章就對(duì)相關(guān)問題做出了一些討論、提出了一些見解。它概述了 DeepMind 近期一篇論文《Scalable agent alignment via reward modeling: a research direction》中提出的研究方向;這篇論文試圖為「智能體對(duì)齊」問題提供一個(gè)研究方向。由此他們提出了一個(gè)基于獎(jiǎng)勵(lì)建模的遞歸式應(yīng)用的方法，讓機(jī)器在充分理解用戶意圖的前提下，再去解決真實(shí)世界中的復(fù)雜問題。雷鋒網(wǎng) AI 科技評(píng)論編譯如下。

　　近些年，強(qiáng)化學(xué)習(xí)在許多復(fù)雜的游戲環(huán)境中展現(xiàn)出令人驚嘆的實(shí)力，從 Atari 游戲、圍棋、象棋到 Dota 2 和星際爭(zhēng)霸 II，AI 智能體在許多復(fù)雜領(lǐng)域的表現(xiàn)正在迅速超越人類。對(duì)研究人員來說，游戲是嘗試與檢驗(yàn)機(jī)器學(xué)習(xí)算法的理想平臺(tái)，在游戲中，必須動(dòng)用綜合認(rèn)知能力才能完成任務(wù)，跟解決現(xiàn)實(shí)世界問題所需的能力并無兩樣。此外，機(jī)器學(xué)習(xí)研究人員還可以在云上并行運(yùn)行上千個(gè)模擬實(shí)驗(yàn)，為學(xué)習(xí)系統(tǒng)提供源源不斷的訓(xùn)練數(shù)據(jù)。

　　最關(guān)鍵的一點(diǎn)是，游戲往往都有明確的目標(biāo)任務(wù)，以及反映目標(biāo)完成進(jìn)度的打分系統(tǒng)。這個(gè)打分系統(tǒng)不但能夠?yàn)閺?qiáng)化學(xué)習(xí)智能體提供有效的獎(jiǎng)勵(lì)信號(hào)，還能使我們迅速獲得反饋，從而判斷哪個(gè)算法和框架的表現(xiàn)最好。

　　讓智能體與人類一致

　　不過，AI 的終極目標(biāo)是幫助人類應(yīng)對(duì)現(xiàn)實(shí)生活中日益復(fù)雜的挑戰(zhàn)，然而現(xiàn)實(shí)生活中沒有設(shè)置好的獎(jiǎng)勵(lì)機(jī)制，這對(duì)于人類評(píng)價(jià) AI 的工作表現(xiàn)來說形成了挑戰(zhàn)。因此，需要盡快找到一個(gè)理想的反饋機(jī)制，讓 AI 能夠充分理解人類的意圖并幫助人類達(dá)成目標(biāo)。換句話說，我們希望用人類的反饋對(duì) AI 系統(tǒng)進(jìn)行訓(xùn)練，使其行為能夠與我們的意圖保持一致。為了達(dá)到這個(gè)目的，DeepMind 的研究人員們定義了一個(gè)「智能體對(duì)齊」問題如下：

　　如何創(chuàng)建行為與用戶意圖保持一致的智能體?

　　這個(gè)對(duì)齊問題可以歸納在強(qiáng)化學(xué)習(xí)的框架中，差異在于智能體是通過交互協(xié)議與用戶進(jìn)行交流、了解他們的意圖，而非使用傳統(tǒng)的數(shù)值化的獎(jiǎng)勵(lì)信號(hào)。至于交互協(xié)議的形式可以有很多種，當(dāng)中包括演示(模仿學(xué)習(xí)，如谷歌的模仿學(xué)習(xí)機(jī)器人)、偏好傾向(人類直接評(píng)價(jià)結(jié)果，如 OpenAI 和 DeepMind 的你做我評(píng) )、最優(yōu)動(dòng)作、傳達(dá)獎(jiǎng)勵(lì)函數(shù)等。總的來說，智能體對(duì)齊問題的解決方案之一，就是創(chuàng)建一個(gè)能讓機(jī)器根據(jù)用戶意圖運(yùn)作的策略。

　　DeepMind 的論文《Scalable agent alignment via reward modeling: a research direction》中概述了一個(gè)正面解決「智能體對(duì)齊」問題的研究方向。基于過去在 AI 安全問題分類和 AI 安全問題闡述方面所做的工作，DeepMind 將描述這些領(lǐng)域至今所取得的進(jìn)展，從而啟發(fā)大家得到一個(gè)對(duì)于智能體對(duì)齊問題的解決方案，形成一個(gè)善于高效溝通，會(huì)從用戶反饋中學(xué)習(xí)，并且能準(zhǔn)確預(yù)測(cè)用戶偏好的系統(tǒng)。無論是應(yīng)對(duì)當(dāng)下相對(duì)簡(jiǎn)單的任務(wù)，還是未來日趨復(fù)雜、抽象化的、甚至超越人類理解能力的任務(wù)，他們希望系統(tǒng)都能勝任有余。

　　通過獎(jiǎng)勵(lì)建模進(jìn)行對(duì)齊

　　DeepMind 這項(xiàng)研究方向的核心在于獎(jiǎng)勵(lì)建模。他們首先會(huì)訓(xùn)練一個(gè)包含用戶反饋的獎(jiǎng)勵(lì)模型，通過這種方式捕捉用戶的真實(shí)意圖。與此同時(shí)，通過強(qiáng)化學(xué)習(xí)訓(xùn)練一個(gè)策略，使獎(jiǎng)勵(lì)模型的獎(jiǎng)勵(lì)效果最大化。換句話說，他們把學(xué)習(xí)做什么(獎(jiǎng)勵(lì)模型)與學(xué)習(xí)怎么做(策略)區(qū)分了開來。

　　獎(jiǎng)勵(lì)建模示意圖：獎(jiǎng)勵(lì)模型基于用戶反饋進(jìn)行訓(xùn)練，以便更好地捕捉用戶意圖;同一時(shí)間，獎(jiǎng)勵(lì)模型為經(jīng)過強(qiáng)化學(xué)習(xí)訓(xùn)練的智能體提供獎(jiǎng)勵(lì)。

　　過去 DeepMind 做過一些類似的工作，比如教智能體根據(jù)用戶喜好做后空翻，根據(jù)目標(biāo)示例將物件排成特定形狀，根據(jù)用戶的喜好和專業(yè)的演示玩 Atari 游戲(你做我評(píng) )。在未來，DeepMind 的研究人員們還希望可以研究出一套算法，讓系統(tǒng)可以根據(jù)用戶的反饋迅速調(diào)整自己去適應(yīng)用戶的行為模式。(比如通過自然語言)

　　擴(kuò)大獎(jiǎng)勵(lì)模型規(guī)模

　　從長(zhǎng)遠(yuǎn)來看，DeepMind 的研究人員們希望可以將獎(jiǎng)勵(lì)模型的規(guī)模擴(kuò)大至一些目前對(duì)人類評(píng)估能力來說還比較復(fù)雜的領(lǐng)域。要做到這一點(diǎn)，他們必須提升用戶評(píng)估結(jié)果的能力。因此，他們也將闡述如何遞歸地應(yīng)用獎(jiǎng)勵(lì)模型：通過獎(jiǎng)勵(lì)模型訓(xùn)練智能體，使其能在用戶的評(píng)估過程中提供幫助。一旦評(píng)估變得比行為簡(jiǎn)單，也就意味著系統(tǒng)可以從簡(jiǎn)單的任務(wù)過渡至更加普遍、復(fù)雜的任務(wù)。這也可以看作迭代擴(kuò)增(iterated amplification)的實(shí)例(詳情見「超級(jí) AI」的種子?復(fù)雜到人類難以評(píng)價(jià)的問題，可以教會(huì)一個(gè) AI )。

　　遞歸獎(jiǎng)勵(lì)模型的示意圖：經(jīng)過遞歸獎(jiǎng)勵(lì)模型訓(xùn)練的智能體(右邊的小圈圈)將幫助用戶評(píng)估由正在被訓(xùn)練的智能體(右邊打圈圈)產(chǎn)出的結(jié)果

　　舉例說明，比如想要通過訓(xùn)練智能體來設(shè)計(jì)計(jì)算機(jī)芯片，為了評(píng)估所提議的芯片設(shè)計(jì)的可行性，我們會(huì)通過獎(jiǎng)勵(lì)模型訓(xùn)練一組智能體「助手」，幫助我們完成芯片模擬性能基準(zhǔn)測(cè)試、計(jì)算散熱性能、預(yù)估芯片的壽命、發(fā)現(xiàn)安全漏洞等任務(wù)。智能體「助手」輸出的成果幫助用戶評(píng)估了芯片設(shè)計(jì)的可行性，接著用戶可以據(jù)此來訓(xùn)練芯片設(shè)計(jì)智能體。雖然說智能體「助手」需要解決的一系列任務(wù)，對(duì)于今天的學(xué)習(xí)系統(tǒng)來說難度還是有點(diǎn)高，然而總比直接讓它設(shè)計(jì)一個(gè)計(jì)算機(jī)芯片要容易：想設(shè)計(jì)出計(jì)算機(jī)芯片，你必須理解設(shè)計(jì)過程中的每一項(xiàng)評(píng)估任務(wù)，反之卻不然。從這個(gè)角度來說，遞歸獎(jiǎng)勵(lì)模型可以讓我們對(duì)智能體提供「支持」，使其能在和用戶意圖保持一致的情況下，去解決越來越難的任務(wù)。

　　研究面臨的挑戰(zhàn)

　　如果想將獎(jiǎng)勵(lì)模型應(yīng)用到復(fù)雜的問題上，有幾項(xiàng)挑戰(zhàn)依然等待著我們?nèi)タ朔Ｏ聢D展示了 5 項(xiàng)在研究中可能面臨的挑戰(zhàn)，對(duì)此感興趣的同學(xué)可以查閱 DeepMind 論文，文中詳細(xì)描述了這些挑戰(zhàn)及對(duì)應(yīng)的解決方案。

　　當(dāng)我們擴(kuò)大獎(jiǎng)勵(lì)建模時(shí)將會(huì)遇到的挑戰(zhàn)(左側(cè))以及最有希望的解決方案(右側(cè))

　　這提醒了我們關(guān)于智能體對(duì)齊問題的最后一個(gè)關(guān)鍵要素：一旦要在現(xiàn)實(shí)世界中投入使用智能體，首先我們需要向用戶證明這些智能體已經(jīng)充分對(duì)齊。為此，DeepMind 在文中提出了 5 項(xiàng)有助于提高用戶對(duì)于智能體信任度的研究途徑，它們是：設(shè)計(jì)選擇、測(cè)試、可解釋性、形式驗(yàn)證和理論保證。他們還有一個(gè)充滿野心的想法，那就是為產(chǎn)品制作安全證書，證書主要用于證明開發(fā)技術(shù)的可靠性，以及增強(qiáng)用戶使用訓(xùn)練智能體進(jìn)行工作的信心。

　　未來的研究方向

　　雖然 DeepMind 的研究人員們深信遞歸獎(jiǎng)勵(lì)模型會(huì)是智能體對(duì)齊訓(xùn)練非常有前景的一個(gè)研究方向，然而他們目前無法預(yù)估這個(gè)方向在未來會(huì)怎么發(fā)展(需要大家進(jìn)行更多的研究!)。不過值得慶祝的是，專注智能體對(duì)齊問題的其它幾種研究方向也同時(shí)有別的研究人員正在做出成果：

　　模仿學(xué)習(xí)

　　短視強(qiáng)化學(xué)習(xí)(Myopic reinforcement learning)

　　逆強(qiáng)化學(xué)習(xí)(Inverse reinforcement learning)

　　合作逆強(qiáng)化學(xué)習(xí)

　　迭代擴(kuò)增(復(fù)雜到人類難以評(píng)價(jià)的問題，可以教會(huì)一個(gè) AI )

　　通過爭(zhēng)論學(xué)習(xí)(人和人吵架生氣，但 AI 和 AI 吵架反倒可以帶來安全 )

　　智能體基礎(chǔ)組件設(shè)計(jì)(Agent foundations)

　　DeepMind 也在文中探討了這幾種研究方向的異同之處。

　　如同計(jì)算機(jī)視覺系統(tǒng)對(duì)于對(duì)抗性輸入的魯棒性研究對(duì)當(dāng)今的機(jī)器學(xué)習(xí)實(shí)際應(yīng)用至關(guān)重要，智能體對(duì)齊研究同樣有望成為機(jī)器學(xué)習(xí)系統(tǒng)在復(fù)雜現(xiàn)實(shí)世界進(jìn)行部署的關(guān)鍵鑰匙。總之，人類有理由保持樂觀：雖然學(xué)術(shù)研究上很可能會(huì)在試圖擴(kuò)大獎(jiǎng)勵(lì)模型時(shí)面臨挑戰(zhàn)，然而這些挑戰(zhàn)都是一些有望解決的具體技術(shù)性問題。從這個(gè)意義上說，這個(gè)研究方向已經(jīng)準(zhǔn)備就緒，可以對(duì)深度強(qiáng)化學(xué)習(xí)智能體進(jìn)行實(shí)證研究。

　　協(xié)助課題研究取得進(jìn)展是 DeepMind 日常工作中很重要的一個(gè)主題。如果作為研究者、工程師或者有天賦的通才，有興趣參與 DeepMind 的研究中來，DeepMind 也歡迎他們申請(qǐng)加入自己的研究團(tuán)隊(duì)。
　　（邯鄲網(wǎng)站建設(shè)）