多任務(wù)學(xué)習(xí)一直是AI研究的長期目標(biāo)。DeepMind開發(fā)了PopArt，解決了不同游戲獎勵機(jī)制規(guī)范化的問題，它可以玩57款雅達(dá)利電子游戲，并且在所有57款游戲中達(dá)到高于人類中間水平的表現(xiàn)。

多任務(wù)學(xué)習(xí)——讓單個agent學(xué)習(xí)如何解決許多不同的任務(wù)——這是AI研究的一個長期目標(biāo)。

近年來，多任務(wù)學(xué)習(xí)領(lǐng)域已經(jīng)取得許多卓越的進(jìn)步，例如DQN這樣的智能體能夠使用相同的算法來學(xué)習(xí)玩多個游戲，包括雅達(dá)利經(jīng)典的 “突出重圍”（Breakout）和 “乒乓球”（Pong）游戲。

這些算法為每項任務(wù)訓(xùn)練一個專家智能體（expert agents）。隨著AI研究向更復(fù)雜的現(xiàn)實世界領(lǐng)域發(fā)展，構(gòu)建一個單一的強(qiáng)智能體（general agent）來學(xué)習(xí)執(zhí)行多重任務(wù)將變得至關(guān)重要，而不是構(gòu)建多個專家智能體。然而，到目前為止，這已經(jīng)被證明是一項重大挑戰(zhàn)。

原因之一是，強(qiáng)化學(xué)習(xí)智能體用來判斷成功的獎勵方案經(jīng)常存在差異，導(dǎo)致他們把注意力集中在獎勵更高的任務(wù)上。例如，在雅達(dá)利游戲“Pong”中，agent每一步會獲得-1、0或+1的獎勵:

Pong游戲中，兩道豎杠代表球拍，一個小光點代表球在屏幕上蹦蹦跳跳，由人操縱按紐控制反彈，打不中就失去一分

相比之下，在“吃豆人”游戲中，agent每走一步就可獲得幾百、幾千的分?jǐn)?shù)。即使個體獎勵的規(guī)模相似，但隨著agent變得更好，獎勵的頻率會隨著時間推移而變化。

這意味著agent傾向于關(guān)注那些有很高分?jǐn)?shù)的任務(wù)，導(dǎo)致在某些任務(wù)上表現(xiàn)更好，而在其他任務(wù)上表現(xiàn)更差。

為了解決這些問題，DeepMind開發(fā)了PopArt，它可以調(diào)整每一款游戲的分?jǐn)?shù)等級，這樣不管游戲原本的獎勵等級如何規(guī)定，AI智能體都會判斷游戲具有同等的學(xué)習(xí)價值。

PopArt：在保持輸出完好的同時，自適應(yīng)地重新調(diào)整目標(biāo)（PreservingOutputsPrecisely whileAdaptivelyRescalingTargets）。

DeepMind將PopArt規(guī)范化應(yīng)用到最先進(jìn)的強(qiáng)化學(xué)習(xí)智能體上，從而得到一個單一的智能體，它可以玩57款雅達(dá)利電子游戲，并且在所有57款游戲中達(dá)到高于人類中間水平的表現(xiàn)。

PopArt：規(guī)范化獎勵，不影響目標(biāo)

一般來說，深度學(xué)習(xí)依賴于不斷更新的神經(jīng)網(wǎng)絡(luò)的權(quán)重，使神經(jīng)網(wǎng)絡(luò)的輸出更接近期望的目標(biāo)輸出。當(dāng)神經(jīng)網(wǎng)絡(luò)被用于深度強(qiáng)化學(xué)習(xí)時也是如此。PopArt通過估計這些目標(biāo)的平均值和傳播范圍（比如游戲中的得分）來工作。然后，它使用這些數(shù)據(jù)對目標(biāo)進(jìn)行規(guī)范化，再利用它們來更新網(wǎng)絡(luò)的權(quán)重。

使用規(guī)范化的目標(biāo)可以使學(xué)習(xí)更加穩(wěn)定和強(qiáng)大，以適應(yīng)規(guī)模和轉(zhuǎn)換的變化。為了獲得準(zhǔn)確的估計——例如對未來的預(yù)期分?jǐn)?shù)的估計——網(wǎng)絡(luò)的輸出可以通過反轉(zhuǎn)規(guī)范化過程來重新調(diào)整到真實的目標(biāo)范圍。如果直接這樣做，每次更新統(tǒng)計數(shù)據(jù)都會改變所有未規(guī)范化的輸出，包括那些已經(jīng)非常好的輸出。我們通過向相反的方向更新網(wǎng)絡(luò)來防止這種情況的發(fā)生。這意味著我們可以在保持以前學(xué)習(xí)過的輸出完好的同時，獲得大規(guī)模更新的好處。

傳統(tǒng)上，研究人員通過在強(qiáng)化學(xué)習(xí)算法中使用獎勵修剪（rewardclipping）來克服不同獎勵尺度的問題。這種方法將很大或很小的分?jǐn)?shù)修剪為1或-1分的得分，大致使預(yù)期獎勵規(guī)范化。雖然這使學(xué)習(xí)變得更容易，但是它也改變了agent的目標(biāo)。

例如，在“吃豆人小姐”（Ms. Pac-Man）游戲中，吃豆人的目標(biāo)是收集豆子，吃到每個豆子獲得10分，吃到鬼魂獲得200到1600分。通過修剪獎勵，agent吃一個豆子和吃一個鬼魂得到的獎勵沒有明顯的區(qū)別，導(dǎo)致agent只吃豆子，從不去追逐鬼魂。如下面的視頻所示：

當(dāng)我們用PopArt的自適應(yīng)規(guī)范化來代替reward clipping，結(jié)果導(dǎo)致了智能體完全不同的行為。它會追逐鬼魂，并且獲得了更高的分?jǐn)?shù)。

使用PopArt進(jìn)行多任務(wù)深度強(qiáng)化學(xué)習(xí)

我們將PopArt應(yīng)用于Importance-weighted Actor-Learner Architecture(IMPALA)，這是DeepMind最流行的深度強(qiáng)化學(xué)習(xí)智能體之一。在實驗中，與沒有使用PopArt的baseline agent相比，PopArt大大提高了agent的表現(xiàn)。無論是修剪了獎勵還是沒有修剪獎勵，PopArt智能體在游戲中的中位數(shù)得分都高于人類中位數(shù)得分。

這遠(yuǎn)遠(yuǎn)高于使用reward clipping的baseline，而沒有使用reward clipping的baseline根本無法達(dá)到有意義的表現(xiàn)，因為它無法有效地處理不同游戲之間的獎勵尺度的巨大變化。

57款A(yù)tari游戲的標(biāo)準(zhǔn)化表現(xiàn)中位數(shù)。每一行對應(yīng)于單個智能體的中位數(shù)表現(xiàn)，該智能體被訓(xùn)練來使用相同的神經(jīng)網(wǎng)絡(luò)來玩所有這些游戲。實線表示使用 reward clipping的表現(xiàn)，虛線表示沒有使用 reward clipping的表現(xiàn)。

這是我們第一次在使用單一智能體的這種多任務(wù)環(huán)境中看到超過人類的表現(xiàn)，這表明PopArt可以為如何在無需手動修剪或調(diào)整的情況下平衡各種目標(biāo)的開放式研究問題提供一些解決方案。當(dāng)我們將AI應(yīng)用于更復(fù)雜的多模態(tài)領(lǐng)域時，AI在學(xué)習(xí)過程中自動適應(yīng)規(guī)范化的能力變得非常重要，因為在這些領(lǐng)域中，AI智能體必須學(xué)會權(quán)衡各種不同的獎勵和不同的目標(biāo)。