在上一篇文章里，我們提到了棋盤游戲的比喻和純強化學(xué)習(xí)技術(shù)的缺陷（斯坦福學(xué)者冷思考：強化學(xué)習(xí)存在基礎(chǔ)性缺陷）。在這一部分中，我們會列舉一些添加先驗知識的方法，同時會對深度學(xué)習(xí)進行介紹，并且展示對最近的成果進行調(diào)查。

那么，為什么不跳出純強化學(xué)習(xí)的圈子呢？

你可能會想：

我們不能越過純強化學(xué)習(xí)來模仿人類的學(xué)習(xí)——純強化學(xué)習(xí)是嚴(yán)格制定的方法，我們用來訓(xùn)練AI智能體的算法是基于此的。盡管從零開始學(xué)習(xí)不如多提供些信息，但是我們沒有那樣做。

的確，加入先驗知識或任務(wù)指導(dǎo)會比嚴(yán)格意義上的純強化學(xué)習(xí)更復(fù)雜，但是事實上，我們有一種方法既能保證從零開始學(xué)習(xí)，又能更接近人類學(xué)習(xí)的方法。

首先，我們先明確地解釋，人類學(xué)習(xí)和純強化學(xué)習(xí)有什么區(qū)別。當(dāng)開始學(xué)習(xí)一種新技能，我們主要做兩件事：猜想大概的操作方法是什么，或者度說明書。一開始，我們就了解了這一技能要達到的目標(biāo)和大致使用方法，并且從未從低端的獎勵信號開始反向生成這些東西。

UC Berkeley的研究者最近發(fā)現(xiàn)，人類的學(xué)習(xí)速度比純強化學(xué)習(xí)在某些時候更快，因為人類用了先驗知識

使用先驗知識和說明書

這種想法在AI研究中有類似的成果：

解決“學(xué)習(xí)如何學(xué)習(xí)”的元學(xué)習(xí)方法：讓強化學(xué)習(xí)智能體更快速地學(xué)會一種新技術(shù)已經(jīng)有類似的技巧了，而學(xué)習(xí)如何學(xué)習(xí)正是我們需要利用先驗知識超越純強化學(xué)習(xí)的方法。

MAML是先進的元學(xué)習(xí)算法。智能體可以在元學(xué)習(xí)少次迭代后學(xué)會向前和向后跑動

遷移學(xué)習(xí)：顧名思義，就是將在一種問題上學(xué)到的方法應(yīng)用到另一種潛在問題上。關(guān)于遷移學(xué)習(xí)，DeepMind的CEO是這樣說的。

我認為（遷移學(xué)習(xí)）是強人工智能的關(guān)鍵，而人類可以熟練地使用這種技能。例如，我現(xiàn)在已經(jīng)玩過很多棋盤類游戲了，如果有人再教我另一種棋類游戲，我可能不會那么陌生，我會把在其他游戲上學(xué)到的啟發(fā)性方法用到這一游戲上，但是現(xiàn)在機器還做不到……所以我想這是強人工智能所面臨的重大挑戰(zhàn)。

零次學(xué)習(xí)（Zero-shot learning）：它的目的也是掌握新技能，但是卻不用新技能進行任何嘗試，智能體只需從新任務(wù)接收“指令”，即使沒有執(zhí)行過新的任務(wù)也能一次性表現(xiàn)的很好。

一次學(xué)習(xí)（one-shot learning）和少次學(xué)習(xí)（few-shot learning）：這兩類是研究的熱門區(qū)域，他們和零次學(xué)習(xí)不同，因為它們會用到即將學(xué)習(xí)的技巧做示范，或者只需要少量迭代。

終身學(xué)習(xí)（life long learning）和自監(jiān)督學(xué)習(xí)（self supervised learning）：也就是長時間不在人類的指導(dǎo)下學(xué)習(xí)。

這些都是除了從零學(xué)習(xí)之外的強化學(xué)習(xí)方法。特別是元學(xué)習(xí)和零次學(xué)習(xí)體現(xiàn)了人在學(xué)習(xí)一種新技能時更有可能的做法，與純強化學(xué)習(xí)有差別。一個元學(xué)習(xí)智能體會利用先驗知識快速學(xué)習(xí)棋類游戲，盡管它不明白游戲規(guī)則。另一方面，一個零次學(xué)習(xí)智能體會詢問游戲規(guī)則，但是不會做任何學(xué)習(xí)上的嘗試。一次學(xué)習(xí)和少次學(xué)習(xí)方法相似，但是只知道如何運用技能，也就是說智能體會觀察其他人如何玩游戲，但不會要求解釋游戲規(guī)則。

最近一種混合了一次學(xué)習(xí)和元學(xué)習(xí)的方法。來自O(shè)ne-Shot Imitation from Observing Humans via Domain-Adaptive Meta-Learning

元學(xué)習(xí)和零次學(xué)習(xí)（或少次學(xué)習(xí)）的一般概念正是棋類游戲中合理的部分，然而更好的是，將零次學(xué)習(xí)（或少次學(xué)習(xí)）和元學(xué)習(xí)結(jié)合起來就更接近人類學(xué)習(xí)的方法了。它們利用先驗經(jīng)驗、說明指導(dǎo)和試錯形成最初對技能的假設(shè)。之后，智能體親自嘗試了這一技巧并且依靠獎勵信號進行測試和微調(diào)，從而做出比最初假設(shè)更優(yōu)秀的技能。

這也解釋了為什么純強化學(xué)習(xí)方法目前仍是主流，針對元學(xué)習(xí)和零次學(xué)習(xí)的研究不太受關(guān)注。有一部分原因可能是因為強化學(xué)習(xí)的基礎(chǔ)概念并未經(jīng)受過多質(zhì)疑，元學(xué)習(xí)和零次學(xué)習(xí)的概念也并沒有大規(guī)模應(yīng)用到基礎(chǔ)原理的實現(xiàn)中。在所有運用了強化學(xué)習(xí)的代替方法的研究中，也許最符合我們希望的就是DeepMind于2015年提出的Universal Value Function Approximators，其中Richard Sutton提出了“通用價值函數(shù)（general value function）”。這篇論文的摘要是這樣寫的：

價值函數(shù)是強化學(xué)習(xí)系統(tǒng)中的核心要素。主要思想就是建立一個單一函數(shù)近似器V(s;θ)，通過參數(shù)θ來估計任意狀態(tài)s的長期獎勵。在這篇論文中，我們提出了通用價值函數(shù)近似器（UVFAs）V(s, g;θ)，不僅能生成狀態(tài)s的獎勵值，還能生成目標(biāo)g的獎勵值。

將UVFA應(yīng)用到實際中

這種嚴(yán)格的數(shù)學(xué)方法將目標(biāo)看作是基礎(chǔ)的、必須的輸入。智能體被告知應(yīng)該做什么，就像在零次學(xué)習(xí)和人類學(xué)習(xí)中一樣。

現(xiàn)在距論文發(fā)表已經(jīng)三年，但只有極少數(shù)人對論文的結(jié)果表示欣喜（作者統(tǒng)計了下只有72人）。據(jù)谷歌學(xué)術(shù)的數(shù)據(jù)，DeepMind同年發(fā)表的Human-level control through deep RL一文已經(jīng)有了2906次引用；2016年發(fā)表的Mastering the game of Go with deep neural networks and tree search已經(jīng)獲得了2882次引用。

所以，的確有研究者朝著結(jié)合元學(xué)習(xí)和零次學(xué)習(xí)的方向努力，但是根據(jù)引用次數(shù)，這一方向仍然不清楚。關(guān)鍵問題是：為什么人們不把這種結(jié)合的方法看作是默認方法呢？

答案很明顯，因為太難了。AI研究傾向于解決獨立的、定義明確的問題，以更好地做出進步，所以除了純強化學(xué)習(xí)以及從零學(xué)習(xí)之外，很少有研究能做到，因為它們難以定義。但是，這一答案似乎還不夠令人滿意：深度學(xué)習(xí)讓研究人員創(chuàng)造了混合方法，例如包含NLP和CV兩種任務(wù)的模型，或者原始AlphaGo加入了深度學(xué)習(xí)等等。事實上，DeepMind最近的論文Relational inductive biases, deep learning, and graph networks也提到了這一點：

我們認為，通向強人工智能的關(guān)鍵方法就是將結(jié)合生成作為第一要義，我們支持運用多種方法達到目標(biāo)。生物學(xué)也并不是單純的自然和后期培養(yǎng)相對立，它是將二者結(jié)合，創(chuàng)造了更有效的結(jié)果。我們也認為，架構(gòu)和靈活性之間并非對立的，而是互補的。通過最近的一些基于結(jié)構(gòu)的方法和深度學(xué)習(xí)混合的案例，我們看到了結(jié)合技術(shù)的巨大前景。

最近元學(xué)習(xí)（或零次學(xué)習(xí)）的成果

現(xiàn)在我們可以得出結(jié)論：

受上篇棋盤游戲比喻的激勵，以及DeepMind通用價值函數(shù)的提出，我們應(yīng)該重新考慮強化學(xué)習(xí)的基礎(chǔ)，或者至少更加關(guān)注這一領(lǐng)域。

雖然現(xiàn)有成果并未流行，但我們?nèi)阅馨l(fā)現(xiàn)一些令人激動的成果：

Hindsight Experience Replay

Zero-shot Task Generalization with Multi-Task Deep Reinforcement Learning

Representation Learning for Grounded Spatial Reasoning

Deep Transfer in Reinforcement Learning by Language Grounding

Cross-Domain Perceptual Reward Functions

Learning Goal-Directed Behaviour

上述論文都是結(jié)合了各種方法、或者以目標(biāo)為導(dǎo)向的方法。而更令人激動的是最近有一些作品研究了本能激勵和好奇心驅(qū)使的學(xué)習(xí)方法：

Kickstarting Deep Reinforcement Learning

Surprise-Based Intrinsic Motivation for Deep Reinforcement Learning

Meta-Reinforcement Learning of Structured Exploration Strategies

Learning Robust Rewards with Adversarial Inverse Reinforcement Learning

Curiosity-driven Exploration by Self-supervised Prediction

Learning by Playing - Solving Sparse Reward Tasks from Scratch

Learning to Play with Intrinsically-Motivated Self-Aware Agents

Unsupervised Predictive Memory in a Goal-Directed Agent

World Models

接著，我們還可以從人類的學(xué)習(xí)中獲得靈感，也就是直接學(xué)習(xí)。事實上，過去和現(xiàn)在的神經(jīng)科學(xué)研究直接表明，人類和動物的學(xué)習(xí)可以用強化學(xué)習(xí)和元學(xué)習(xí)共同表示。

Meta-Learning in Reinforcement Learning

Prefrontal cortex as a meta-reinforcement learning system

最后一篇論文的結(jié)果和我們的結(jié)論相同，論智此前曾報道過這篇：DeepMind論文：多巴胺不只負責(zé)快樂，還能幫助強化學(xué)習(xí)。從根本上講，人們可以認為，人類的智慧正是強化學(xué)習(xí)和元學(xué)習(xí)的結(jié)合——元強化學(xué)習(xí)的成果。如果真的是這種情況，我們是否也該對AI做同樣的事呢？

結(jié)語

強化學(xué)習(xí)的經(jīng)典基礎(chǔ)性缺陷可能限制它解決很多復(fù)雜問題，像本文提到的很多論文中都提到，不采用從零學(xué)習(xí)的方法也不是必須有手工編寫或者嚴(yán)格的規(guī)則。元強化學(xué)習(xí)讓智能體通過高水平的指導(dǎo)、經(jīng)驗、案例更好地學(xué)習(xí)。

目前的時機已經(jīng)成熟到可以展開上述工作，將注意力從純強化學(xué)習(xí)的身上移開，多多關(guān)注從人類身上學(xué)到的學(xué)習(xí)方法。但是針對純強化學(xué)習(xí)的工作不應(yīng)該立即停止，而是應(yīng)該作為其他工作的補充?；谠獙W(xué)習(xí)、零次學(xué)習(xí)、少次學(xué)習(xí)、遷移學(xué)習(xí)及它們的結(jié)合的方法應(yīng)該成為默認方法，我很愿意為此貢獻自己的力量。