今天，OpenAI在官方博客上丟出了7個研究過程中發現的未解決問題。

OpenAI希望這些問題能夠成為新手入坑AI的一種有趣而有意義的方式，也幫助從業者提升技能。

OpenAI版AI界七大未解之謎，現在正式揭曉——

丨1. Slitherin

難度指數：☆☆

實現并解決貪吃蛇的多玩家版克隆作為Gym環境。

環境：場地很大，里面有多條蛇，蛇通過吃隨機出現的水果生長，一條蛇在與另一條蛇、自己或墻壁相撞時即死亡，當所有的蛇都死了，游戲結束。

智能體：使用自己選擇的自我對弈的RL算法解決環境問題。你需要嘗試各種方法克服自我對弈的不穩定性。

檢查學習行為：智能體是否學會了適時捕捉食物并避開其他蛇類？是否學會了攻擊、陷害、或者聯合起來對付競爭對手？

丨2. 分布式強化學習中的參數平均

難度指數：☆☆☆

這指的是探究參數平均方案對RL算法中樣本復雜度和通信量影響。一種簡單的解決方法是平均每個更新的每個worker的梯度，但也可以通過獨立地更新worker、減少平均參數節省通信帶寬。

這樣做還有一個好處：在任何給定的時間內，我們都有不同參數的智能體，可能出現更好的探測行為。另一種可能是使用EASGD這樣的算法，它可以在每次更新時將參數部分結合在一起。

丨3. 通過生成模型完成的不同游戲中的遷移學習

難度指數：☆☆☆

這個流程如下：

訓練11個Atari游戲的策略。從每個游戲的策略中，生成1萬個軌跡，每個軌跡包含1000步行動。

將一個生成模型（如論文Attention Is All You Need提出的Transformer）與10個游戲產生的軌跡相匹配。

然后，在第11場比賽中微調上述模型。

你的目標是量化10場比賽預訓練時的好處。這個模型需要什么程度的訓練才能發揮作用？當第11個游戲的數據量減少10x時，效果的大小如何變化？如果縮小100x呢？

丨4. 線性注意Transformer

難度指數：☆☆☆

Transformer模型使用的是softmax中的軟注意力（soft attention）。如果可以使用線性注意力（linear attention），我們就能將得到的模型用于強化學習。

具體來說，在復雜環境下使用Transformer部署RL不切實際，但運行一個具有快速權重（fast weight）的RNN可行。

你的目標是接受任何語言建模任務，訓練Transformer，然后找到一種在不增加參數總數情況下，用具有不同超參數的線性注意Transformer獲取每個字符/字的相同位元的方法。

先給你潑盆冷水：這可能是無法實現的。再給你一個潛在的有用提示，與使用softmax注意力相比，線性注意轉化器很可能需要更高的維度key/value向量，這能在不顯著增加參數數量的情況下完成。

丨5. 已學習數據的擴充

難度指數：☆☆☆

可以用學習過的數據VAE執行“已學習數據的擴充”。

我們首先可能需要在輸入數據上訓練一個VAE，然后將每個訓練點編碼到一個潛在的空間，之后在其中應用一個簡單（如高斯）擾動，最后解碼回到觀察的空間。用這種方法是否能得到更好的泛化，目前還是一個謎題。

這種數據擴充的一個潛在優勢是，它可能包含視角變換、場景光纖變化等很多非線性

轉換。

丨6. 強化學習中的正則化

難度指數：☆☆☆☆

這指的是實驗性研究和定性解釋不同正則化方法對RL算法的影響。

在監督學習中，正則化對于優化模型和防止過擬合具有極其重要的意義，其中包含一些效果很贊的方法，如dropout、批標準化和L2正則化等。

然而，在策略梯度和Q-learning等強化學習算法上，研究人員還沒有找到合適的正則化方法。順便說一下，人們在RL中使用的模型要比在監督學習中使用的模型小得多，因為大模型表現更差。

丨7. Olympiad Inequality問題的自動解決方案

難度指數：☆☆☆☆☆

Olympiad Inequality問題很容易表達，但解決這個問題往往需要巧妙的手法。

建立一個關于Olympiad Inequality問題的數據集，編寫一個可以解決大部分問題的程序。目前還不清楚機器學習在這里是否有用，但你可以用一個學習的策略減少分支因素。