摘要：我們的視覺看到什么，部分取決于大腦預(yù)測未來會看到什么。

我們的視覺看到什么，部分取決于大腦預(yù)測未來會看到什么，例如下圖中，如果你預(yù)計要看到突出的球體，那也許你就會看到，如果讓機器也具有了這樣的能力，會帶來什么了？

18年谷歌大腦提出“世界模型”(World Models)可以在復(fù)雜的環(huán)境中通過自我學(xué)習(xí)產(chǎn)生相應(yīng)的策略，例如玩賽車游戲。

下面是世界模型的整體架構(gòu):

整個模型分為3個組件：視覺組件（V），記憶組件（M），控制組件（C）。視覺組件V用來壓縮圖片信息到一個隱變量z上（其實只是一個VAE編碼解碼器）：

記憶組件M的輸入是一幀幀的游戲圖片（論文中的一幀圖像似乎叫一個rollout），輸出是預(yù)測下一幀圖像的可能分布，其實就是比一般LSTM更高級一些的MDN-RNN：

最后控制組件C的目標(biāo)，就是把前面視覺組件V和記憶組件M的輸出一起作為輸入，并輸出這個時刻智能體agent應(yīng)該做出的動作（action）。

在所謂的“世界模型”，其中的組件模型幾乎沒有是谷歌大腦自己創(chuàng)新研制的。但世界模型會很大提高強化學(xué)習(xí)訓(xùn)練穩(wěn)定性和成績 從而使其與其他強化學(xué)習(xí)相比有一些明顯優(yōu)勢，如下表所示;

世界模型有如下的3個特點

1. 模型拼接得足夠巧妙，這個巧妙的拼接模型做到所謂的世界想象能力，就是模型在學(xué)習(xí)時，自身對環(huán)境假想一個模擬的環(huán)境，甚至可以在沒有環(huán)境訓(xùn)練的情況下，自己想象一個環(huán)境去訓(xùn)練。其實就是我們?nèi)祟愮R像神經(jīng)元的功能。

2. 抓住了一些“強視覺”游戲的“痛點”。記憶組件M中的RNN是生成序列的能手，所以根據(jù)之前游戲圖像再“想象”一些圖像幀應(yīng)該不成問題（RNN生成一些隱變量z，再根據(jù)隱變量z，由視覺組件VAE的decode生成的圖像幀即可）。所以對于“強視覺”的游戲，把RNN的記憶能力用在視覺預(yù)測和控制上是個好主意 。

3不同于我們常見的“不可生”智能算法，例如遺傳算法和進化策略只是強調(diào)了基因的“變異”與在解空間中進行搜索，神經(jīng)網(wǎng)絡(luò)只是固定網(wǎng)絡(luò)結(jié)構(gòu)；而生物界的基因卻可以指導(dǎo)蛋白質(zhì)構(gòu)成并且“生長”。如果基因可以構(gòu)造自身個體，外部環(huán)境和個體情況也可以反過來影響基因，而我們的模型都太固定呆板了，模型結(jié)構(gòu)不能隨內(nèi)部隱變量改進，當(dāng)然最佳的設(shè)計形式也許誰也不知道。而世界模型做到了讓在內(nèi)部”幻想“的環(huán)境中產(chǎn)生的策略轉(zhuǎn)移到外部世界中。

最后簡單看一下世界模型的訓(xùn)練過程：

world models代碼基于chainer計算框架，步驟如下:

1. 準(zhǔn)備數(shù)據(jù)集，隨機玩游戲生成訓(xùn)練幀（rollouts意思應(yīng)該就是多少幀）：

python random_rollouts.py--gameCarRacing-v0 --num_rollouts10000

2. 訓(xùn)練視覺組件V，即前面提到的VAE：

python vision.py--gameCarRacing-v0 --z_dim32--epoch1

3. 訓(xùn)練記憶組件M，即前面提到的RNN：

python model.py--gameCarRacing-v0 --z_dim32--hidden_dim256--mixtures5--epoch20

4. 訓(xùn)練控制組件C，即前面提到的CMA-ES算法（其實就是支持更復(fù)雜輸入和更新的ES）：

python controller.py--gameCarRacing-v0 --lambda_64--mu0.25--trials16--target_cumulative_reward900--z_dim32--hidden_dim256--mixtures5--temperature1.0--weights_type1[--cluster_mode]

5. 測試訓(xùn)練結(jié)果：

python test.py--gameCarRacing-v0 --z_dim32--hidden_dim256--mixtures5--temperature1.0--weights_type1--rollouts100[--record]