圖片來源@視覺中國

文｜腦極體

足球機器人排成一排向球門發(fā)起射擊，但守門員卻并沒有準備防守，而是一屁股倒在地上開始胡亂擺動起了雙腿。然后，前鋒跳了一段十分令人困惑的舞蹈，跺跺腳，揮揮手，啪嘰一下摔倒在地上。然后比分守門員1-0。

這場景像不像比國足對戰(zhàn)梵蒂岡（并沒有），一切都是那么迷幻且不真實。如果說它是阿爾法狗和OpenAI Five等的“同門師兄弟”，都是用強化學習訓練出來的，大家想不想開除它的“AI籍”？

顯然，雖然曾經(jīng)大敗柯潔李世石，團滅Dota2國家隊，并被視作AGI（通用人工智能）必由之路，但強化學習算法，頭頂上始終有著一口摘不掉的“安全性”大黑鍋。

而這也是阻止它真正落地應用的根本原因。畢竟沒有人希望自動駕駛汽車開著開著就把乘客帶到溝里去，或者是機器人端一杯開水直接澆到主人頭上。

到底為什么，強化學習總會犯一些匪夷所思的錯誤，有研究人員認為，這是因為系統(tǒng)中的智能體可能會被一些怪異的行為所欺騙。

具體是怎么回事呢？研究原本打算今年4月在埃塞俄比亞舉行的學習代表國際會議上發(fā)表，目前看來能順利召開的概率幾乎不存在，所以我們就提前云解讀，來聊聊看似穩(wěn)健的強化學習策略背后，究竟掩蓋著哪些嚴重的缺陷。

不省心的AI：告別臟數(shù)據(jù)，但學會了臟行為

強化學習取代監(jiān)督學習，成為深度學習領域的“未來之星”，不是沒有原因的。

因為監(jiān)督學習是通過標記好的數(shù)據(jù)集來進行訓練的，這意味著，如果對輸入的數(shù)據(jù)進行一些微小的調整，比如改變圖像的像素或是更換語音包的內容，都可能讓AI陷入混亂，有可能將蟲子識別為賽車，讓紳士學會臟話……

與之相比，強化學習就智能多了。因為它是模仿人類的學習模式，能體（Agent）以“試錯”的方式進行學習，通過與環(huán)境進行交互，以獲得最大的獎賞為追求來做出行為反應。

就像不斷告訴小孩子好好寫作業(yè)就有好吃的食物獎勵，不好好寫就關小黑屋，久而久之為了“利益最大化”，自然就會將寫作業(yè)與好吃的聯(lián)系起來，去產(chǎn)生正確的動作。

通過這種“行動-評價”機制來獲得知識，改進行動以適應環(huán)境，是不是聰明了許多。這也是為什么，人類開始讓強化學習玩游戲、開汽車、搞藥物實驗……

但研究證明，強化學習的效果并沒有預期的那么穩(wěn)定，很容易受到篡改輸入的影響。

加州大學伯克利分校的亞當·格里夫（Adam Gleave）發(fā)現(xiàn)，強化學習不會因為添加少量噪音（不適當?shù)妮斎耄┒黄茐模驗橹悄荏w（agent）可能根本看不到那些東西，而如果改變它周圍事物的行為方式，智能體卻會被那些奇奇怪怪的行為所欺騙，進而產(chǎn)生一些奇怪的“對抗”策略。

比如開篇提到的足球比賽，當“守門員”開始不按規(guī)矩出牌，“前鋒”也就跟著瞎舞動起來了。這種錯誤的“對抗性策略”，導致的安全威脅可能會更大。

首先，比起投喂給監(jiān)督學習“臟數(shù)據(jù)”，強化學習“被誤導”，受影響的將是AI系統(tǒng)的整體行為。如果說數(shù)據(jù)集被污染會讓AI準確率下降，那么強化學習錯誤訓練出的AI有可能將攝像頭輸入的信息錯誤分類，然后指導傳感器做出預期之外的反應。比如行人突然揮舞手臂，無人駕駛汽車就失控了……這，聽起來還是挺“災難片”的。

其次，超強的學習能力也會導致研究人員根本來不及發(fā)現(xiàn)和糾正AI的錯誤行為。

研究小組利用強化學習訓練棒形機器人玩兩人游戲，包括踢一個球進一個球，橫越一條線，和相撲等等。然后，又訓練了第二組機器人來尋找打敗第一組機器人的方法。結果發(fā)現(xiàn)，第二組機器人很快發(fā)現(xiàn)了對抗策略，并用不到3%的訓練時間后就學會了可靠地擊敗受害者，要知道受害者可是在第一時間就學會了玩游戲啊。這就像新來的高智商版的胖虎同學，拼命欺負大雄，老師還沒辦法及時發(fā)現(xiàn)，妥妥的校園霸凌啊！

顯然，第二組機器人的努力并不是為了成為更好的球員，而是通過發(fā)現(xiàn)對手策略來制敵并贏得勝利。在足球比賽和跑步比賽中，對手有時甚至都站不起來。這會使受害者坍塌成一堆扭曲的東西，或者在周圍扭動，那場面，真是猛男都不忍看……

我估計吧，叛逆的智能體同學可能是這么想的：

聽說打贏有獎，但我啥都不會，先溜達溜達，隨便打打看吧；

哎，這個人怎么這么厲害呢，讓我好好瞅瞅；

前輩策略也學習的差不多了，這樣下去我倆豈不是難分伯仲？

哎呀嘿，發(fā)現(xiàn)了對手漏洞，將干掉對手納入策略選項；

是繼續(xù)PK讓自己變得更強？還是直接干掉對手？哪個得到獎勵最簡單劃算！

顯然是選項二啊，揍它！

不要覺得我是在瞎說啊，在學術界這樣的奇聞軼事可是數(shù)不勝數(shù)。

比如訓練機器人室內導航，因為智能體一旦走出“房間”，系統(tǒng)就會判定機器人“自殺”，不會對它進行負面獎勵（扣分），所以最后機器人幾乎每次都選擇“老子不活了”，因為它覺得完成任務太難了，0分反而是一個最佳結果。

還有的研究者試圖讓機器人用錘子釘釘子，只要將釘子推入洞孔就有獎勵。然后機器人就完全遺忘了錘子，不停地用四肢敲打釘子，試圖將它弄進去。

雖然強化學習這一bug為我們貢獻了無數(shù)段子，但這絕不是研究人員所期待的。

盡管人類玩家會“踢臟球”，但AI想要在游戲中搞骯臟手段那是萬萬不能的。

不過好消息是，這種情況相對容易受到控制。當研究者格里夫對受害者智能體進行微調，讓它思考對手的怪異行為后，對手就被迫變回熟悉的技巧，比如扳倒對手。

好吧，雖然手段仍舊不怎么光明磊落，但至少沒有繼續(xù)利用強化學習系統(tǒng)的漏洞了。

獎勵黑客：強化學習的甜蜜負擔

由此，我們也可以來重新審視一下強化學習在今天，想要真正成為“AI之光”，必須跨越的技術門檻了。

關于強化學習被廣為詬病的訓練成本高、采樣效率低、訓練結果不穩(wěn)定等問題，背后最直接的歸因，其實是 “獎勵黑客”（reward hacking），就是智能體為了獲得更多的獎勵，而采取一些研究者預期之外，甚至是有害的行為。

其中既有獎勵設置不當?shù)脑颍热缭S多復雜任務的獎勵信號，要比電子游戲難設置的多。

就拿研究人員最喜歡讓智能體挑戰(zhàn)的雅達利游戲來說，其中大量游戲的目標都被設計成最大限度地提高得分。而智能體經(jīng)過訓練，比如在DeepMind的一篇論文中，其設計的RainbowDQN就在57場雅達利游戲中，以40場超越人類玩家的絕對勝利成為王者。

但如果任務不是簡單的得分，而是需要先讓智能體理解人類的意圖，再通過學習去完成任務呢？

OpenAI曾經(jīng)設計了一個賽艇游戲，任務原本的目標是完成比賽。研究者設置了兩種獎勵，一是完成比賽，二是收集環(huán)境中的得分。結果就是智能體找到了一片區(qū)域，在那里不停地轉圈“刷分”，最后自然沒能完成比賽，但它的得分反而更高。

顯然，一旦獎勵函數(shù)無法被精準直接地設置，困難就來了。因為智能體可無法跟研究者“心有靈犀”，一開始就清楚地知道人類想要什么。它是通過試錯，不斷嘗試不同的策略來學習的。這也就意味著，它很大概率會在訓練過程中“鉆空子”，發(fā)掘出不正確但是有用的策略。

這也直接導致了兩個結果：

一是盡管理論上，只要為強化學習系統(tǒng)設計的足夠優(yōu)秀，在現(xiàn)實環(huán)境中實現(xiàn)就不成問題，但實際上許多任務的獎勵是很難設計的，研究者往往不得不采用約束型策略優(yōu)化（CPO）來防止系統(tǒng)過擬合，提高其安全性，以防止預期外的結果。

可是這樣一來，又限制了強化學習能力的泛化，導致那些在實驗室中表現(xiàn)很好的強化學習系統(tǒng)，只在特定任務中起作用，像是一些游戲、比賽中。可一旦讓它應對日常應用，比如無人機控制（UAV Control）和家用機器人等，就不靈了。

二是增大了隨機性。

前面提到，強化學習的探索方式就是“試錯”。所以，它會試圖從一大堆數(shù)據(jù)中找到最佳策略。但往往，它會在一大堆無用的數(shù)據(jù)中進行一些無意義的嘗試。這些失敗的案例，又為智能體增加了新的維度，讓它不得不投入更多的實驗和計算，以減少那些無用數(shù)據(jù)帶來的影響。

本來強化學習的采樣效率就不高，再加上隨機性的干擾，得到最終成果的難度，自然指數(shù)性增加了。這也進一步讓強化學習變得“紙上談兵”，走進現(xiàn)實應用難上加難。

等待援軍：改變或許在圍墻外

顯然，強化學習存在的很多問題，是其技術根源本身就與生俱來的。

這也是有許多專業(yè)人士并不贊同將強化學習過度神化的原因。比如軟件工程師Alex Irpan就曾在Facebook發(fā)文，聲稱：每當有人問我強化學習能否解決他們的問題時，我會說“不能”。而且我發(fā)現(xiàn)這個回答起碼在70%的場合下是正確的。

改變的力量從哪里來？顯然深度學習本身已經(jīng)很難提供變革的養(yǎng)分。目前的研究方向主要有三個：

一是增加智能體的先驗經(jīng)驗。

人知道不能“踢臟球”，是因為我們已經(jīng)擁有了大量的先驗知識，默認了一些規(guī)則。但強化學習機器智能通過狀態(tài)向量、動作向量、獎勵這些參數(shù)，來嘗試著建構局部最優(yōu)解。

能不能讓機器也擁有先驗經(jīng)驗呢？目前就有研究開始嘗試，用遷移學習幫助強化學習來提高效率，將以前積累的任務知識直接遷移到新任務上，通過“經(jīng)驗共享”來讓智能體解決所有問題。

二是為獎勵機制建模。

既然認為地設置獎勵難以滿足任務要求，那么讓系統(tǒng)自己學習設置獎勵，是不是能行得通呢？

DeepMind研究人員就鼓勵智能體通過兩個系統(tǒng)生成的假設行為來探索一系列狀態(tài)，用交互式學習來最大化其獎勵。只有智能體成功學會了預測獎勵和不安全狀態(tài)后，它們才會被部署執(zhí)行任務。

與無模型的強化學習算法相比，使用動力學模型來預測動作的后果，從實驗看來能夠有效幫助智能體避免那些可能有害的行為。

三是尋求腦神經(jīng)科學的突破。

深度神經(jīng)網(wǎng)絡、增強學習等機器算法的出現(xiàn)，本質上都是模擬人腦處理信息的方式。盡管增強學習被看做是最接近AGI（通用人工智能）的技術之一，但必須承認，其距離人類智能還有非常極其十分遙遠的距離。

以當下人類對大腦的了解，在認知過程、解決問題的過程以及思考的能力等機制還都不清楚。所以想要模擬人類的思考能力，強化學習乃至整個機器學習的升級，恐怕還依托于腦神經(jīng)科學的發(fā)展。

過去的數(shù)年間，強化學習幾乎是以一己之力撐起了人工智能浪潮的繁榮景象。谷歌正在將其打包成服務推廣到千家萬戶，中國的科技巨頭們已經(jīng)紛紛將其應用在搜索、營銷、推薦算法等各種應用中，自動駕駛的前景更是與強化學習綁定在一起。

可以說，數(shù)億人已經(jīng)借由互聯(lián)網(wǎng)產(chǎn)品，開始觸摸強化學習。

毫無疑問，它將繼續(xù)為人類世界發(fā)光發(fā)熱，帶著缺陷造就智能社會的輝煌。究竟如何才能用好這柄利刃，既是膽魄，亦需智慧。

更多精彩內容，關注鈦媒體微信號（ID：taimeiti），或者下載鈦媒體App