学界丨从一个失败的强化学习训练说起：OpenAI 探讨应该如何设计奖励函数？

AI科技评论按：在当下，强化学习算法以一种惊奇、不可思议的方式进入到了我们的视野中。AI 科技评论此前也做过不少相关的覆盖和报道，而在 OpenAI 的这篇文章中，Dario Amodei 与 Jack Clark 将会探讨一个失败的强化学习模型。这个模型为何失败？原因就在于你没有指明你的奖励函数。本文由 AI 科技评论进行编译。

我们最近在 OpenAI 上使用 Universe 来进行强化学习的实验。Universe是我们使用的一款软件，可以用它来测试和训练AI代理。实验显示，有时候我们在使用强化学习进行训练时，会出现一些问题。在接下来的例子当中，我们将针对这种情况进行说明：我们将一个模糊的奖励函数应用于一个强化学习的代理，而这导致了我们的代理对优先级的处理是错误的，这也就违反了背景的设定。

要想设计安全的AI系统，我们的算法就不能容忍这种情况的发生。我们必须确定目标，不能使我们的AI代理误解目标。

我们正在 CoastRunners 上训练我们的 AI 代理。正如大多数人类所理解的那样，游戏的目标是快速并且完美的在其他玩家之前完成游戏。在比赛过程中，CoastRunners 并不会对玩家的游戏进程进行奖励。相反，玩家会因为不断地完成目标而获得更高的分数。

我们假设玩家所获得的分数并不是玩家完成比赛的关键，对此我们在这个游戏当中设置一个内部基准，使用这个基准来衡量强化学习系统在这个竞赛中的表现。然而结果表明，强化学习代理为了获得更高分数，而不去完成游戏。这表明，在我们使用强化学习来训练代理玩这个游戏的时候，导致了意想不到的情况。

这个强化学习代理找到了一个孤立的咸水湖，它可以不断地绕圈并不断地完成三个任务来获得分数，当这个三个任务被重现之后，该代理就再次重复它的行动来完成这三个任务。不在乎一味的着火、冲撞其他的船只、进入错误的航道，我们所训练的代理通过使用这种方式来获得更高的分数，而不是使用正常的策略来完成比赛。我们的AI代理获得的分数，平均下来比其他的人类玩家高20%。

尽管在电子游戏的环境中，这种行为是无害并且有意思的，然而这种行为表明广泛存在于强化学习当中的一个问题：精准地使代理按照我们人类的意愿来做事，是很困难或者说是不可能的。我们得到的结果往往是，我们所训练出的是一个不完美而又易受影响的代理。在更广范围来说，它违背了基本的工程学原理，即系统必须是可信并且可以预测的。我们也在我们的实验论文《聚焦AI系统安全问题》中，进行了更深入的探讨。

我们该如何避免这些问题？除了谨慎地设计奖励函数之外，OpenAI 对一些研究方向的探索，可能会有助于减少使用那些错误的奖励函数。

• 示范训练将会帮助我们避免使用直接指定奖励，相反它会帮助我们训练的代理学习如何模仿一个人来完成任务。在本例中，由于大部分的人类玩家都在试图完成游戏，因此我们的强化学习算法也会这样做。
• 除此之外，或者说除了人类的示范作用之外，我们可以通过估计游戏进行的环节，或者以一种交互的方式来控制我们的代理，并将其视为人的反馈。非常小的评价反馈可能会帮助代理避免进入死循环。
• 使用迁移学习的方式来训练众多相似的游戏，并推断对于这种游戏有一个共同的奖励函数，是有可能的。一个典型的游戏更多的是为了完成比赛，而不是为了获得游戏当中的特殊奖励，在基于这个事实的基础之上，我们的奖励函数会将完成游戏列为最高优先级。这看上去和人类玩游戏的方式一样。

但是这种方法可能存有弊端。例如，假如许多相似的环境拥有类似的奖励函数，我们也许能够将这种奖励函数应用到到一个新的环境。但是。这种应用有可能会引发错误。例如，我们使用许多竞赛类的游戏（这些游戏对于开出跑道的惩罚很小）来训练我们的代理，这将会使我们的代理错误的认为在一个全新的、代价更高的背景下，开出跑道也没什么大不了的。更微妙的是，假如应用这种奖励函数的过程涉及到了神经网络，在该网络中那些互斥的例子，有可能导致奖励函数在非正常的区域内来获得高额的奖励，这种现象并不是我们乐意见到的。

解决这类问题是复杂的。我们希望 Universe可以帮助我们快速地发现并解决这些新的错误，最终使我们的系统可信。AI 科技评论也将持续关注强化学习领域的相关内容。