郭一璞 发自 北四环
量子位 报道 | 公众号 QbitAI
把超级马里奥玩成下面这样，算什么水平？
能流畅的行走在妖魔鬼怪之间
能掐准食人花出现的时机
能灵巧的躲过烧火棍
能克服各种变态的地形
从1-1到7-1，只要一条命，就能全部通过，而且操作几乎没有迟疑，如行云流水一般。
别人玩得这么溜，你是不是只能被小乌龟、喷子弹的小怪物、上上下下的地形虐？
不过，这个玩游戏的不是人，是一只通过深度强化学习算法实现的AI。
异步优势演员评论家算法
这个算法已经开源，是2016年的论文《Asynchronous Methods for Deep Reinforcement Learning》中提到的算法的实现。
异步一步Q-Learning：每个线程与自己的环境副本交互，在每一步中计算，用共享的渐变目标网络Q-Learning损失的梯度，就像DQN训练模型一样。
异步多步Q-Learning：在正视图中通过明确的计算多步返回来运行，因为基于动量的方法反向传播来训练神经网络时，用正视图更容易一些。
异步优势演员评论家算法：这是超级马里奥AI的核心。智能体中的两个部分，分别扮演演员和评论家，负责创造和监督。
和前面的异步多步Q-Learning一样，演员和评论家在正视图中运行，用相同的多步返回组合来更新策略和价值函数。
演员就像一个小孩子一样，会探索世界，做各种事情。
评论家则类似于前面小演员的爸爸妈妈，负责监督演员的举动，赞扬他做的好的地方，批评他做的不好的地方，告诉自己孩子：你和其他演员（别人家的孩子）差在哪儿了。
因此，演员希望一直能获得爸妈的赞扬，获得积极的反馈，就会根据爸妈的赞扬和批评不断修正自己的行为。
而对于异步优势演员评论家算法而言，则是为小演员提供了一所“学校”。如果小演员只在家里学习，可能学到的东西更片面，而且学习速度也比较慢。在异步优势演员评论家算法这所学校里，有“老师”和“同学”能让演员更快的学习，学到正确的知识。
游戏达人Viet Nguyen
最后，公布这个算法实现的是GitHub用户Viet Nguyen。
他是一名AI和机器人方向的硕士，毕业于慕尼黑工业大学，主要研究自然语言处理和计算机视觉。
现在，他是德国手游公司Popcore的一名数据科学家。除了超级马里奥，他还研究过用Deep-Q-Learning训练AI玩Flappy Bird。
传送门
最后，这个项目已经开源了，发布者公布了代码和模型，针对超级马里奥的每一关都单独训练了模型，在RTX 2080上大概一关费了6~10个小时。
开源代码
https://github.com/vietnguyen91/Super-mario-bros-A3C-pytorch
论文原文
Asynchronous Methods for Deep Reinforcement Learning
Volodymyr Mnih, Adrià Puigdomènech Badia, Mehdi Mirza, Alex Graves, Timothy P. Lillicrap, Tim Harley, David Silver, Koray Kavukcuoglu
https://arxiv.org/abs/1602.01783
— 完 —
诚挚招聘
量子位正在招募编辑/记者，工作地点在北京中关村。期待有才气、有热情的同学加入我们！相关细节，请在量子位公众号(QbitAI)对话界面，回复“招聘”两个字。
量子位 QbitAI · 头条号签约作者
վ’ᴗ’ ի 追踪AI技术和产品新动态
