現(xiàn)在提到 AI 的時候，大家已經(jīng)很少聯(lián)想到電影《終結(jié)者》中的天網(wǎng)那樣有自己獨特思維邏輯以至于得出了反人類結(jié)論的「超人類智能」了。這當(dāng)然是件好事，說明我們都知道了現(xiàn)階段的 AI 并不具有那樣的邏輯思維能力，沿著現(xiàn)有方向繼續(xù)發(fā)展下去也不會有;也說明我們已經(jīng)了解了身邊就有形形色色的運用機器學(xué)習(xí)解決具體問題的技術(shù)成果。

　　但我們同時也面對著一個新問題，就是隨著人類用模型做出越來越多的決策，模型所看重的因素真的和設(shè)計它的人類所希望的一樣嗎?又或者，模型完全捕捉了設(shè)計者提供的數(shù)據(jù)中的模式，但數(shù)據(jù)本身卻含有設(shè)計者沒有意識到的偏見。這時候我們又要怎么辦?

　　DeepMind 安全團隊的這篇文章就對相關(guān)問題做出了一些討論、提出了一些見解。它概述了 DeepMind 近期一篇論文《Scalable agent alignment via reward modeling: a research direction》中提出的研究方向;這篇論文試圖為「智能體對齊」問題提供一個研究方向。由此他們提出了一個基于獎勵建模的遞歸式應(yīng)用的方法，讓機器在充分理解用戶意圖的前提下，再去解決真實世界中的復(fù)雜問題。雷鋒網(wǎng) AI 科技評論編譯如下。

　　近些年，強化學(xué)習(xí)在許多復(fù)雜的游戲環(huán)境中展現(xiàn)出令人驚嘆的實力，從 Atari 游戲、圍棋、象棋到 Dota 2 和星際爭霸 II，AI 智能體在許多復(fù)雜領(lǐng)域的表現(xiàn)正在迅速超越人類。對研究人員來說，游戲是嘗試與檢驗機器學(xué)習(xí)算法的理想平臺，在游戲中，必須動用綜合認(rèn)知能力才能完成任務(wù)，跟解決現(xiàn)實世界問題所需的能力并無兩樣。此外，機器學(xué)習(xí)研究人員還可以在云上并行運行上千個模擬實驗，為學(xué)習(xí)系統(tǒng)提供源源不斷的訓(xùn)練數(shù)據(jù)。

　　最關(guān)鍵的一點是，游戲往往都有明確的目標(biāo)任務(wù)，以及反映目標(biāo)完成進度的打分系統(tǒng)。這個打分系統(tǒng)不但能夠為強化學(xué)習(xí)智能體提供有效的獎勵信號，還能使我們迅速獲得反饋，從而判斷哪個算法和框架的表現(xiàn)最好。

　　讓智能體與人類一致

　　不過，AI 的終極目標(biāo)是幫助人類應(yīng)對現(xiàn)實生活中日益復(fù)雜的挑戰(zhàn)，然而現(xiàn)實生活中沒有設(shè)置好的獎勵機制，這對于人類評價 AI 的工作表現(xiàn)來說形成了挑戰(zhàn)。因此，需要盡快找到一個理想的反饋機制，讓 AI 能夠充分理解人類的意圖并幫助人類達(dá)成目標(biāo)。換句話說，我們希望用人類的反饋對 AI 系統(tǒng)進行訓(xùn)練，使其行為能夠與我們的意圖保持一致。為了達(dá)到這個目的，DeepMind 的研究人員們定義了一個「智能體對齊」問題如下：

　　如何創(chuàng)建行為與用戶意圖保持一致的智能體?

　　這個對齊問題可以歸納在強化學(xué)習(xí)的框架中，差異在于智能體是通過交互協(xié)議與用戶進行交流、了解他們的意圖，而非使用傳統(tǒng)的數(shù)值化的獎勵信號。至于交互協(xié)議的形式可以有很多種，當(dāng)中包括演示(模仿學(xué)習(xí)，如谷歌的模仿學(xué)習(xí)機器人)、偏好傾向(人類直接評價結(jié)果，如 OpenAI 和 DeepMind 的你做我評 )、最優(yōu)動作、傳達(dá)獎勵函數(shù)等?？偟膩碚f，智能體對齊問題的解決方案之一，就是創(chuàng)建一個能讓機器根據(jù)用戶意圖運作的策略。

　　DeepMind 的論文《Scalable agent alignment via reward modeling: a research direction》中概述了一個正面解決「智能體對齊」問題的研究方向?；谶^去在 AI 安全問題分類和 AI 安全問題闡述方面所做的工作，DeepMind 將描述這些領(lǐng)域至今所取得的進展，從而啟發(fā)大家得到一個對于智能體對齊問題的解決方案，形成一個善于高效溝通，會從用戶反饋中學(xué)習(xí)，并且能準(zhǔn)確預(yù)測用戶偏好的系統(tǒng)。無論是應(yīng)對當(dāng)下相對簡單的任務(wù)，還是未來日趨復(fù)雜、抽象化的、甚至超越人類理解能力的任務(wù)，他們希望系統(tǒng)都能勝任有余。

　　通過獎勵建模進行對齊

　　DeepMind 這項研究方向的核心在于獎勵建模。他們首先會訓(xùn)練一個包含用戶反饋的獎勵模型，通過這種方式捕捉用戶的真實意圖。與此同時，通過強化學(xué)習(xí)訓(xùn)練一個策略，使獎勵模型的獎勵效果最大化。換句話說，他們把學(xué)習(xí)做什么(獎勵模型)與學(xué)習(xí)怎么做(策略)區(qū)分了開來。

　　獎勵建模示意圖：獎勵模型基于用戶反饋進行訓(xùn)練，以便更好地捕捉用戶意圖;同一時間，獎勵模型為經(jīng)過強化學(xué)習(xí)訓(xùn)練的智能體提供獎勵。

　　過去 DeepMind 做過一些類似的工作，比如教智能體根據(jù)用戶喜好做后空翻，根據(jù)目標(biāo)示例將物件排成特定形狀，根據(jù)用戶的喜好和專業(yè)的演示玩 Atari 游戲(你做我評 )。在未來，DeepMind 的研究人員們還希望可以研究出一套算法，讓系統(tǒng)可以根據(jù)用戶的反饋迅速調(diào)整自己去適應(yīng)用戶的行為模式。(比如通過自然語言)

　　擴大獎勵模型規(guī)模

　　從長遠(yuǎn)來看，DeepMind 的研究人員們希望可以將獎勵模型的規(guī)模擴大至一些目前對人類評估能力來說還比較復(fù)雜的領(lǐng)域。要做到這一點，他們必須提升用戶評估結(jié)果的能力。因此，他們也將闡述如何遞歸地應(yīng)用獎勵模型：通過獎勵模型訓(xùn)練智能體，使其能在用戶的評估過程中提供幫助。一旦評估變得比行為簡單，也就意味著系統(tǒng)可以從簡單的任務(wù)過渡至更加普遍、復(fù)雜的任務(wù)。這也可以看作迭代擴增(iterated amplification)的實例(詳情見「超級 AI」的種子?復(fù)雜到人類難以評價的問題，可以教會一個 AI )。

　　遞歸獎勵模型的示意圖：經(jīng)過遞歸獎勵模型訓(xùn)練的智能體(右邊的小圈圈)將幫助用戶評估由正在被訓(xùn)練的智能體(右邊打圈圈)產(chǎn)出的結(jié)果

　　舉例說明，比如想要通過訓(xùn)練智能體來設(shè)計計算機芯片，為了評估所提議的芯片設(shè)計的可行性，我們會通過獎勵模型訓(xùn)練一組智能體「助手」，幫助我們完成芯片模擬性能基準(zhǔn)測試、計算散熱性能、預(yù)估芯片的壽命、發(fā)現(xiàn)安全漏洞等任務(wù)。智能體「助手」輸出的成果幫助用戶評估了芯片設(shè)計的可行性，接著用戶可以據(jù)此來訓(xùn)練芯片設(shè)計智能體。雖然說智能體「助手」需要解決的一系列任務(wù)，對于今天的學(xué)習(xí)系統(tǒng)來說難度還是有點高，然而總比直接讓它設(shè)計一個計算機芯片要容易：想設(shè)計出計算機芯片，你必須理解設(shè)計過程中的每一項評估任務(wù)，反之卻不然。從這個角度來說，遞歸獎勵模型可以讓我們對智能體提供「支持」，使其能在和用戶意圖保持一致的情況下，去解決越來越難的任務(wù)。

　　研究面臨的挑戰(zhàn)

　　如果想將獎勵模型應(yīng)用到復(fù)雜的問題上，有幾項挑戰(zhàn)依然等待著我們?nèi)タ朔?。下圖展示了 5 項在研究中可能面臨的挑戰(zhàn)，對此感興趣的同學(xué)可以查閱 DeepMind 論文，文中詳細(xì)描述了這些挑戰(zhàn)及對應(yīng)的解決方案。

　　當(dāng)我們擴大獎勵建模時將會遇到的挑戰(zhàn)(左側(cè))以及最有希望的解決方案(右側(cè))

　　這提醒了我們關(guān)于智能體對齊問題的最后一個關(guān)鍵要素：一旦要在現(xiàn)實世界中投入使用智能體，首先我們需要向用戶證明這些智能體已經(jīng)充分對齊。為此，DeepMind 在文中提出了 5 項有助于提高用戶對于智能體信任度的研究途徑，它們是：設(shè)計選擇、測試、可解釋性、形式驗證和理論保證。他們還有一個充滿野心的想法，那就是為產(chǎn)品制作安全證書，證書主要用于證明開發(fā)技術(shù)的可靠性，以及增強用戶使用訓(xùn)練智能體進行工作的信心。

　　未來的研究方向

　　雖然 DeepMind 的研究人員們深信遞歸獎勵模型會是智能體對齊訓(xùn)練非常有前景的一個研究方向，然而他們目前無法預(yù)估這個方向在未來會怎么發(fā)展(需要大家進行更多的研究!)。不過值得慶祝的是，專注智能體對齊問題的其它幾種研究方向也同時有別的研究人員正在做出成果：

　　模仿學(xué)習(xí)

　　短視強化學(xué)習(xí)(Myopic reinforcement learning)

　　逆強化學(xué)習(xí)(Inverse reinforcement learning)

　　合作逆強化學(xué)習(xí)

　　迭代擴增(復(fù)雜到人類難以評價的問題，可以教會一個 AI )

　　通過爭論學(xué)習(xí)(人和人吵架生氣，但 AI 和 AI 吵架反倒可以帶來安全 )

　　智能體基礎(chǔ)組件設(shè)計(Agent foundations)

　　DeepMind 也在文中探討了這幾種研究方向的異同之處。

　　如同計算機視覺系統(tǒng)對于對抗性輸入的魯棒性研究對當(dāng)今的機器學(xué)習(xí)實際應(yīng)用至關(guān)重要，智能體對齊研究同樣有望成為機器學(xué)習(xí)系統(tǒng)在復(fù)雜現(xiàn)實世界進行部署的關(guān)鍵鑰匙?？傊?，人類有理由保持樂觀：雖然學(xué)術(shù)研究上很可能會在試圖擴大獎勵模型時面臨挑戰(zhàn)，然而這些挑戰(zhàn)都是一些有望解決的具體技術(shù)性問題。從這個意義上說，這個研究方向已經(jīng)準(zhǔn)備就緒，可以對深度強化學(xué)習(xí)智能體進行實證研究。

　　協(xié)助課題研究取得進展是 DeepMind 日常工作中很重要的一個主題。如果作為研究者、工程師或者有天賦的通才，有興趣參與 DeepMind 的研究中來，DeepMind 也歡迎他們申請加入自己的研究團隊。
　?。?a href="http://m.jinteng090.cn">邯鄲網(wǎng)站建設(shè)）