DeepMind閉關(guān)修煉「我的世界」,自學(xué)成才挖鉆登Nature!人類玩家瑟瑟發(fā)抖
AI又進(jìn)化了,在沒有任何人類數(shù)據(jù)的參與下,自己玩《我的世界》還能找到鉆石!
在剛剛登上Nature的論文中,谷歌DeepMind的智能體通過純·自我學(xué)習(xí),順利完成了收集鉆石的任務(wù)。
圖片
論文鏈接:https://www.nature.com/articles/s41586-025-08744-2
對(duì)此,DeepMind的計(jì)算機(jī)科學(xué)家Danijar Hafner表示:「Dreamer是一個(gè)重要的里程碑,標(biāo)志著AI又朝著通用人工智能前進(jìn)了一大步?!?/span>
又是AI和《我的世界》,為何這次就成了邁向AGI的一大步
用AI來挑戰(zhàn)《我的世界》早已是AI界「喜聞樂見」的項(xiàng)目了。
作為世界上排名第一且月活超過1億的游戲,《我的世界》可以說是涵蓋了幾乎所有年齡段的人群。
早在兩三年前,包括OpenAI在內(nèi)的各個(gè)模型都有挑戰(zhàn)《我的世界》的嘗試。
圖片
更早在2019年,研究人員就認(rèn)為《我的世界》的開放式游戲環(huán)境可能非常適合AI研究。
比如一個(gè)七歲的小孩在觀看了10分鐘演示視頻后就能學(xué)會(huì)如何在游戲中找到稀有的鉆石,而當(dāng)年的AI還遠(yuǎn)遠(yuǎn)做不到這一點(diǎn)。
AI從《我的世界》中的一個(gè)隨機(jī)位置開始,必須完成某些任務(wù)來找到鉆石
為何這次DeepMind就敢說是「通向AGI的一大步」呢?
這次的任務(wù)——在游戲內(nèi)尋找鉆石——聽起來容易,但其實(shí)非常困難,「高玩」們也要花20-30分鐘才能找到一個(gè)鉆石。
圖片
給不熟悉游戲的朋友解釋下這個(gè)任務(wù)為什么這么困難:
1. 每一次的游戲場(chǎng)景都是隨機(jī)世界,包含各種地形的虛擬 3D 世界,包括森林、山脈、沙漠和沼澤,這讓AI無法只記住一種特定策略來作弊;
2. 想要獲得鉆石需要經(jīng)過一系列復(fù)雜的前置流程,并不是隨機(jī)在地圖尋找,比如你需要:
- 先找到樹木
- 然后將樹木分解為木材,木材也僅僅是用來制作一個(gè)工作臺(tái)
- 有了工作臺(tái)再加上更多的木材你才可以制作一個(gè)木頭鎬頭
- 然后才能開始挖掘以尋找鉆石
- ......
鉆石恒久遠(yuǎn),AI不疲倦
圖片
DeepMind的Dreamer AI在《我的世界》中進(jìn)行了多次游戲?qū)W習(xí)如何收集鉆石
之前的嘗試讓AI系統(tǒng)收集鉆石依賴于使用人類游戲的視頻或研究人員引導(dǎo)系統(tǒng)完成各個(gè)步驟。
相比之下,Dreamer通過強(qiáng)化學(xué)習(xí)的試錯(cuò)技術(shù)自行探索游戲的所有內(nèi)容——它識(shí)別出可能帶來獎(jiǎng)勵(lì)的動(dòng)作,重復(fù)這些動(dòng)作并放棄其他動(dòng)作。
強(qiáng)化學(xué)習(xí)是一些重大AI進(jìn)展的基礎(chǔ),但之前的程序都是專家型的——它們無法從零開始在新領(lǐng)域應(yīng)用知識(shí)。
成功的關(guān)鍵是構(gòu)建「世界模型」
Dreamer成功的關(guān)鍵在于它構(gòu)建了周圍環(huán)境的模型,并使用這個(gè)世界模型來「想象」未來的情景并指導(dǎo)決策。
圖片
就像我們自己的抽象思維一樣,世界模型并不是周圍環(huán)境的精確復(fù)制品。
世界模型允許Dreamer嘗試不同的事情,「世界模型真正賦予了人工智能系統(tǒng)想象未來的能力」Hafner 說。
這種能力還可能有助于創(chuàng)造能夠在現(xiàn)實(shí)世界中學(xué)習(xí)互動(dòng)的機(jī)器人——在現(xiàn)實(shí)世界中,試錯(cuò)的成本要比在視頻游戲中高得多。
研究團(tuán)隊(duì)一開始并不是奔著「鉆石測(cè)試」去研究的,測(cè)試Dreamer在鉆石挑戰(zhàn)上的表現(xiàn)是一個(gè)事后的想法。
「在構(gòu)建整個(gè)算法時(shí)并沒有考慮到這一點(diǎn)」,Hafner 說,但團(tuán)隊(duì)意識(shí)到,這是測(cè)試其算法是否能夠開箱即用、處理不熟悉任務(wù)的理想方式。
在《我的世界》中,團(tuán)隊(duì)使用了一種協(xié)議,每當(dāng)Dreamer完成鉆石收集過程中涉及的12個(gè)逐步步驟之一時(shí),就會(huì)獲得一個(gè)「+1」的獎(jiǎng)勵(lì)——這些步驟包括制作木板和熔爐、開采鐵礦并鍛造鐵鎬。
這些中間獎(jiǎng)勵(lì)促使 Dreamer 選擇了更有可能獲得鉆石的動(dòng)作。團(tuán)隊(duì)每 30 分鐘重置一次游戲,這樣Dreamer就不會(huì)適應(yīng)某個(gè)特定的配置——而是學(xué)會(huì)了獲得更多獎(jiǎng)勵(lì)的一般規(guī)則。
在這種設(shè)置下,Dreamer需要連續(xù)玩大約九天才能找到至少一顆鉆石。
而高手玩家找到一顆鉆石需要20到30分鐘,新手則需要更長的時(shí)間。
在Minecraft中進(jìn)行鉆石挑戰(zhàn)
據(jù)DeepMind宣稱,Dreamer是第一個(gè)在不使用人類數(shù)據(jù)的情況下從零開始在《我的世界》中收集鉆石的算法。
所有的Dreamer智能體都在一億次步驟內(nèi)發(fā)現(xiàn)了鉆石。所有物品的成功率顯示在圖右擴(kuò)展數(shù)據(jù)中。
盡管其他幾個(gè)強(qiáng)大的算法(例子中的PPO、Rainbow和IMPALA)進(jìn)展到了諸如鐵鎬等高級(jí)物品,但沒有一個(gè)發(fā)現(xiàn)鉆石。
Dreamer算法核心原理
圖片
評(píng)論家網(wǎng)絡(luò)則對(duì)世界模型預(yù)測(cè)的每個(gè)結(jié)果進(jìn)行價(jià)值判斷,評(píng)估這個(gè)結(jié)果對(duì)實(shí)現(xiàn)目標(biāo)的幫助有多大。
行動(dòng)者網(wǎng)絡(luò)根據(jù)評(píng)論家的判斷,選擇能達(dá)到最佳結(jié)果的行動(dòng)。
這三個(gè)網(wǎng)絡(luò)相互協(xié)作,在智能體與環(huán)境交互的過程中,通過重放經(jīng)驗(yàn)同時(shí)進(jìn)行訓(xùn)練。
在訓(xùn)練過程中,世界模型的學(xué)習(xí)至關(guān)重要。它要學(xué)習(xí)從感官輸入中提取有用信息,還要預(yù)測(cè)未來的狀態(tài)和獎(jiǎng)勵(lì)。
為實(shí)現(xiàn)這一目標(biāo),世界模型需要最小化預(yù)測(cè)損失、動(dòng)態(tài)損失和表示損失。
圖片
預(yù)測(cè)損失用于訓(xùn)練解碼器和獎(jiǎng)勵(lì)預(yù)測(cè)器,動(dòng)態(tài)損失訓(xùn)練序列模型預(yù)測(cè)下一個(gè)表示,表示損失則讓表示更具可預(yù)測(cè)性。
圖中可視化了世界模型的長期視頻預(yù)測(cè)。
圖片
實(shí)驗(yàn)結(jié)果
圖中展示了基準(zhǔn)測(cè)試結(jié)果,Dreamer在所有測(cè)試中均有更好的表現(xiàn)。
圖片
在Atari基準(zhǔn)測(cè)試中,它能在使用少量計(jì)算資源的情況下,超越MuZero算法,也優(yōu)于Rainbow和IQN算法。
在ProcGen基準(zhǔn)測(cè)試中,面對(duì)隨機(jī)生成的關(guān)卡和視覺干擾,Dreamer算法在5000萬幀的預(yù)算內(nèi),超過了經(jīng)過調(diào)優(yōu)的PPG和Rainbow算法。
在DMLab基準(zhǔn)測(cè)試?yán)?,它?億幀訓(xùn)練后,性能超過了IMPALA和R2D2+智能體,數(shù)據(jù)效率大幅提升。
在Atari100k基準(zhǔn)測(cè)試中,盡管訓(xùn)練預(yù)算僅為40萬幀,Dreamer算法依然能超越其他方法。
在BSuite基準(zhǔn)測(cè)試中,它同樣表現(xiàn)出色,在尺度穩(wěn)健性方面有很大改進(jìn)。
研究人員進(jìn)行了消融實(shí)驗(yàn),結(jié)果表明,所有的穩(wěn)健性技術(shù)都有助于提高算法性能。
圖片
研究人員還對(duì)Dreamer算法的縮放屬性進(jìn)行了研究。
他們訓(xùn)練了不同規(guī)模的模型,參數(shù)從12M到4M。結(jié)果發(fā)現(xiàn),擴(kuò)大模型規(guī)模不僅能提高任務(wù)性能,還能減少數(shù)據(jù)需求。
更多的梯度步數(shù)也能減少學(xué)習(xí)成功行為所需的交互次數(shù)。這表明Dreamer算法在計(jì)算資源增加時(shí),能夠穩(wěn)健地提升性能,為實(shí)際應(yīng)用提供了更靈活的選擇。
這篇論文是關(guān)于訓(xùn)練一個(gè)單一算法,期望其能在多樣化的強(qiáng)化學(xué)習(xí)任務(wù)中表現(xiàn)出色。
在《我的游戲》中尋找鉆石也許僅僅通向AGI之路的第一關(guān)。
AI的下一個(gè)更大目標(biāo)是《我的世界》玩家面臨的終極挑戰(zhàn):擊殺末影龍,這個(gè)虛擬世界中最可怕的生物。
參考資料:
https://www.nature.com/articles/d41586-025-01019-w#ref-CR1