在以前，我曾经介绍过很多在游戏圈比较出名的AI智能体。这些AI智能体往往能在MOBA类游戏和即时战略游戏中超越专业选手，例如腾讯在王者荣耀训练出来的“绝悟AI”：
DeepMind在星际争霸中训练出来的“AlphaStar”：
还有我曾经写过的一篇《我的世界》的AI智能体：
让AI玩《我的世界》
这其中，OpenAI利用玩家视频来学习，训练出超大的预训练模型VPT，这个AI智能体能够在开放自由世界中进行探索：
但是上面所介绍的AI智能体，往往仅能使用在在某个单独的游戏。因此为了让一个AI智能体能够学会游玩多个游戏，谷歌提出了一个新的决策Transformer模型。该模型在46个雅达利游戏上，达到了人类的水平。
可以看到，在46个雅达利游戏上利用专家和非专家数据集进行训练，决策Transformers模型能够达到126%的人类分数，已经能够媲美单独训练一个DQN模型：
Decision Transformers模型结构
与视觉和自然语言领域相比，强化学习提倡使用小模型，而且一般来说只用于解决单个任务，或在同一环境中解决多个任务。但不同的是，在多个游戏环境的训练中，具有不同的动态、奖励、视觉效果和智能体，因此对这种AI智能体的研究目前较少。
在以往的强化学习方法中，包括在线RL（online RL）， 离线时分差分方法（offline temporal difference methods）, 对比学习（contrastive representations ）和行为克隆（behavior cloning）等方法，不能够很好的应用在多个游戏环境中，且训练时间较为漫长。
因此该AI智能体的出发点在于：模型能不能在不同游戏环境下学习？
我们知道，在强化学习中要定义几个关键要素，包括当前状态State，奖励Reward，动作Action。训练过程简单来说就是：在当前状态State下，执行动作Action，当前环境进行反馈后，会给智能体相应的奖励，训练的目标就是要把累积收益最大化。
这个模型的贡献在于：
- 证明了可以训练出一个高通用性的AI智能体，它能够从离线数据中进行学习，并适应多个不同的游戏环境
- 证明了模型的大小对AI智能体的提升是有作用的
整体的决策Transformer模型如下：
- 在输入中把图片拆分成多个块进行输入
- 根据当前观察到的环境、回报、行动，来预测下一个回报、行动、奖励离散标记序列。
同时在输入的时候，把剩下的回报奖励作为输入 ，这样可以当作序列模型进行预测。
不同模型规模下的表现
在通常的NLP和视觉任务下，模型越大，通常得到的效果越好。因此谷歌研究者研究了是否在互动游戏中，模型也有类似的表现。从下图中可以知道，决策Transformer参数越大，达到的效果越好：
模型预训练与关注点
目前的强化学习模型，训练完成后一般只能应用在训练的游戏环境中，因此把当前模型迁移到新游戏中的研究尚没有得到广泛的探索。决策Transformer中，采用了预训练方法，发现在5个新游戏中能够快速适应，效果比从头开始训练要好得多。
从不同游戏中，研究者发现：模型会关注有意义的图像块，如玩家角色、玩家的自由移动空间、非玩家对象和其他环境特征：
当然决策Transformer模型已经不是第一次提出来的，其开山之作可以看这篇文章：
《Decision Transformer: Reinforcement Learning via Sequence Modeling》
还有类似的在RL领域上提出的Trajectory Transformers，希望这些Transformers能够像在NLP和视觉任务上，在RL领域也能够大放异彩。
我是leo，欢迎关注我的公众号“算法一只狗”，我们下期再见~
