谷歌AI為達目的，把自己的身體改造成了這樣……
△ 今天的主角，可能是AI界的橡膠果實了
歡迎關注“創事記”的微信訂閱號：sinachuangshiji
文/強化慄
來源：量子位（QbitAI）
強化學習AI打遊戲，早就不稀奇了。
智慧體在虛擬世界裡死去活來，慢慢了解怎樣的策略能讓自己活得更長，得到更多的獎勵。
但AI可能不知道，遊戲打不好，也可能是智慧體的身體結構有問題。
如果可以一邊學策略，一邊改身材，或許能成就更偉大的強化學習AI。
於是，來自谷歌大腦的David Ha，為自家AI制定了雙管齊下的特殊訓練計劃：
智慧體不斷調整自己的身材，比如腿的長度，找到最適合當前任務的結構；同時進行策略訓練。
△身材修煉前 (左) vs 身材修煉後 (右)：速度明顯不一樣
你看，智慧體把腿跑細了，速度也快了許多。
除此之外，還可以培養越野能力。
在溝壑縱橫的旅途中，原始身材的智慧體時常翻車。
△ 改造前，翻車日常
但煉成優雅身型之後，翻車事件幾乎不存在了，策略訓練時間也縮減到原來的30%。
身材科學了，策略也就好學了。
那麼，是怎樣的婀娜身段，能在降低時間成本的同時提升效能？再看一會兒你就知道了。
秀外慧中，有何密方？
從前的智慧體，形狀結構大都是固定的，只關注策略訓練。可是，系統預先設定的身材，通常都不是 (針對特定任務) 最理想的結構。
因此，如同上文所說，策略要學，身材優化也要一起學。
這樣一來，只用策略網路的權重引數 (Weight Parameters) 來訓練就不夠了，環境也要引數化。
身體結構特徵，比如大腿或小腿的長度、寬度、質量、朝向等等，都是這環境的組成部分。
這裡的權重引數w，把策略網路引數和環境引數向量結合起來，便可以同時培養身材和技巧。
隨著權重w的不斷更新，智慧體會越來越強。
身材改造有沒有用？只要和僅學策略、不改結構的智慧體比一場，如果獎勵分有提升，就表示AI找到了更適合這個環境的身型。
注意，為了修煉AI的冒險精神，研究人員把高難度動作的獎勵擴大，引導智慧體挑戰自我。
身材改造，療效甚好
比賽場地分兩大塊，一是基於Bullet物理引擎的機器人模擬庫Roboschool，二是基於Box2D物理引擎的OpenAI Gym。
兩類環境都經過了引數化，AI可以學著調整裡面的引數。
解鎖高分姿勢
首先，來到足球場 (RoboschoolAnt-v1) ，這裡的智慧體Ant是隻四腳怪，每條腿分三截，由兩個關節控制。腿是留給AI調節的，球狀身軀是不可調節的。
△ 三截腿，最內側的一截比較不明顯
任務很簡單，跑得越遠越好。
經過訓練 (上圖右) ，智慧體最明顯的變化是腿部更加細長了，且四條腿長短不一，打破了對稱性。身材改變之後，步頻也加快了許多，長腿怪更早穿過了棕色跑道。
看一下獎勵分：在100次測試裡，原始結構的得分是3447 ± 251，而新結構的得分為5789 ± 479，療效顯著。
△ 左為原始，右為身材訓練後 (紅線代表鐳射雷達)
然後，進入綠地場景 (BipedalWalker-v2，基於Box2D，屬於Gym) 。這裡的智慧體是兩足的，在“鐳射雷達”的指引下往前走。
任務是在規定時間內，穿越一片和平的地形 (這是簡單版，充滿障礙物的複雜版見下文) 。用分數來看，100次Rollout超過300分就算任務成功。
原始身材獲得了347分，優化後的身材則有359分。
兩邊任務都成功了，但改造過結構的智慧體除了瘦腿之外，兩腿四截的長度都有變化，給了AI彈跳前進的新姿勢。動作看上去更加輕鬆，分數也高過從前。
好身材，能加速策略學習
上文綠地的硬核版 (BipedalWalkerHardcore-v2) 在此：路途崎嶇，千山萬壑，一不小心就會墮入深淵。
David Ha要在此證明，強健的身材能為智慧體的策略學習帶來加成，而不只是“兩門功課同步學”那樣粗暴的合體。
與之前的全面瘦腿不同，這次智慧體的後腿，進化出了厚實的小腿，且長度和溝壑的寬度相近。
△ 紅線代表鐳射雷達
這樣一來，在跨越鴻溝的時候，後腿就能架起一座橋，保護智慧體平穩通過，不翻車。
與此同時，前腿承擔了“危險探測器”的責任，偵查前方有怎樣的障礙物，作為“鐳射雷達”的輔助，可以給後腿的下一步動作提供依據。
重點是，在這副新身材誕生的過程中，AI已學會了通關策略，耗時僅12小時。對比一下，不做身材優化的原始訓練方法，用時長達40小時 (前饋策略網路，96個GPU) 。
這就是說，優雅的結構加速了智慧體的學習過程。
△ 加入身材優化(橙色) ，訓練效率明顯提升，約1000代達成目標
腦洞，並非從天而降
第一，David Ha如何能預感到，改善智慧體的結構就可以提升訓練效率？
他說，是從大自然得到了啟發。
△ 錯誤示範
有些動物在腦死亡之後，依然可以蹦跳，依然可以游泳。
也就是說，生物體的許多行為，並不依賴大腦。
有種叫做體驗認知 (Embodied Cognition) 的理論認為，認知的許多特徵，都不是大腦獨自決定：生物體的方方面面，如運動系統、感知系統、生物體與環境的相互作用等等，都會對認知產生影響。
比如，運動員在長期訓練的過程中，除了身體得到鍛鍊，某些特定的心理素質也會隨之生成。
David Ha覺得，這樣的現象在AI身上也有可能發生：對軀體進行訓練，從而影響認知。
第二，通過訓練來改變智慧體結構的想法，也是來源於自然。
△ 火烈鳥本不是紅色，吃了小魚小蝦之類的食物，羽毛才變紅
中學生物告訴我們，表現型是基因型與環境共同作用的結果。
那麼，各式各樣的虛擬場景，也會讓更適應環境的智慧體結構脫穎而出。這樣，AI便可以藉助環境的選擇，煉成更加精湛的技能。
緣，妙不可言。
論文傳送門：
https://designrl.github.io/
