智能體（agent）互相爭奪資源的多智能體環(huán)境是通向強人工智能（AGI）的必經(jīng)之路。多智能體環(huán)境具有兩種優(yōu)越的特質(zhì)：首先，它具備自然的考驗——環(huán)境的難易程度取決于競爭對手的技能（如果你正與自己的克隆體對抗，環(huán)境則完全符合你的技術(shù)水平）。其次，多智能體環(huán)境沒有穩(wěn)定的平衡，即無論一個智能體多么聰明，想變得更聰明總是有困難的。這種環(huán)境與傳統(tǒng)模式有很大的不同，在達(dá)到目標(biāo)之前需要進(jìn)行更多研究。

OpenAI開發(fā)了一種名為MADDPG（Multi-Agent Actor-Critic for Mixed Cooperative-Competitive Environments）的新算法，用于實現(xiàn)多智能體環(huán)境中的集中式學(xué)習(xí)和分散式執(zhí)行，讓智能體學(xué)習(xí)互相合作、互相競爭。

用MADDPG算法訓(xùn)練四個紅色圓點追逐兩個綠色圓點，紅色圓點已經(jīng)學(xué)會彼此合作追逐同一個綠色圓點，以獲得更高的獎勵。與此同時，綠色圓點學(xué)會了“分頭行動”，其中一個被紅點追逐，其他的則試圖接近藍(lán)色圓點獲得獎勵，同時避開紅色圓點

MADDPG對強化學(xué)習(xí)算法DDPG進(jìn)行擴展，從actor-critic（玩家-評委）強化學(xué)習(xí)技術(shù)中獲得靈感；其他團隊也正探索這些想法的變體和并行實現(xiàn)。

研究人員將模擬中的每個智能體看作“actor”（玩家），每個玩家從評委那里獲得建議，讓它們在訓(xùn)練過程中選擇應(yīng)該加強哪些動作的訓(xùn)練。在傳統(tǒng)環(huán)境中，評委嘗試預(yù)測在某一特定情況下一種動作的價值（即我們期待未來獲得的獎勵），從而讓玩家更新策略。這種方法比直接使用獎勵更穩(wěn)定，獎勵會導(dǎo)致較大的差異。為了能讓智能體進(jìn)行全局合作，研究者改進(jìn)了評委，使它們能夠訪問智能體的觀察和行動，如下圖所示。

測試時，智能體無需具備中間的評委；它們根據(jù)觀察以及對其他智能體行為的預(yù)測，做出動作。由于一個中心化的評委是為每個智能體獨立學(xué)習(xí)的，這種方法也可以用來模擬多智能體之間的任意獎勵結(jié)構(gòu)，包括擁有相反獎勵的對抗案例。

OpenAI研究者在多個任務(wù)上測試了他們的方法，結(jié)果均優(yōu)于DDPG上的表現(xiàn)。在上圖的動畫中，從上至下可以看到：兩個智能體試圖前往特定位置，并且學(xué)習(xí)分散，向?qū)κ蛛[藏真實的目的地；一個智能體將位置信息傳遞給另一個智能體，其他三個智能體協(xié)調(diào)前往此處，并且不會碰撞。

使用MADDPG訓(xùn)練的紅色圓點比用DDPG訓(xùn)練的智能體行為更復(fù)雜。在上面的動畫中可以看到，用MADDPG技術(shù)訓(xùn)練的智能體和用DDPG訓(xùn)練的智能體都試圖穿過綠色的圓圈追逐綠色的小圓點，同時不撞到黑色障礙物。新方法訓(xùn)練出來的智能體抓到的綠色圓點更多，也比用DDPG方法訓(xùn)練出的動作更協(xié)調(diào)。

傳統(tǒng)強化學(xué)習(xí)的困境

傳統(tǒng)的分散式強化學(xué)習(xí)方法，如DDPG、actor-critic學(xué)習(xí)、深度Q學(xué)習(xí)等，都難以在多智能體環(huán)境中學(xué)習(xí)，因為在每個時間段，每個智能體都要嘗試學(xué)習(xí)預(yù)測其他智能體的行為，同時還要分析自己的行為。在競爭的情況下尤其如此。MADDPG采用集中的critic為智能體提供有關(guān)同類的觀察和潛在行為的信息，將不可預(yù)測的環(huán)境轉(zhuǎn)化為可預(yù)測環(huán)境。

使用梯度策略的方法會帶來更多挑戰(zhàn)：因為當(dāng)獎勵不一致時，這種方法所得到的結(jié)果差別很大。另外，在提高穩(wěn)定性的同時，增加critic仍然不能解決一些環(huán)境問題，例如合作交流。這樣看來在培訓(xùn)期間考慮其他智能體的行為對于學(xué)習(xí)協(xié)作策略是很重要的。

最初的研究

在開發(fā)MADDPG之前，當(dāng)使用分散技術(shù)時，研究人員注意到如果speaker所發(fā)出的關(guān)于去哪里不一致的消息，那么listener常常會忽略speaker，智能體將把有關(guān)speaker的所有權(quán)中設(shè)置為0。一旦發(fā)生這種情況，就很難恢復(fù)訓(xùn)練，因為沒有任何反饋，speaker永遠(yuǎn)不會知道自己所說是否正確。為了解決這個問題，他們研究了最近一個分層強化學(xué)習(xí)項目中所提到的技術(shù)，該技術(shù)可以讓強制讓listener在決策過程中考慮speaker的消息。這種修復(fù)方法并不奏效，因為它雖然強制listener關(guān)注speaker，但并不能幫助listener決定說出什么相關(guān)的內(nèi)容。通過幫助speaker學(xué)習(xí)哪些信息可能與其他智能體的位置信息有關(guān)，集中式的critic方法有助于應(yīng)對這些挑戰(zhàn)。想了解更多結(jié)果，可點擊視頻觀看：

下一步

智能體建模在人工智能的研究中已經(jīng)有了豐富的成果，但之前的很多研究都只考慮了短時間內(nèi)簡單的游戲。深度學(xué)習(xí)能讓我們處理復(fù)雜的視覺輸入，強化學(xué)習(xí)為我們提供了長時間學(xué)習(xí)行為的工具。現(xiàn)在我們可以用這些功能一次性訓(xùn)練多個代理，而無需了解環(huán)境的變化（即環(huán)境在每個時間段發(fā)生的變化），我們可以解決更廣泛的包括交流和語言的高維度信息，同時從環(huán)境的高維信息中學(xué)習(xí)。