DeepMind的AI智能体，又来卷自己了！
注意看，这个名叫BBF的家伙，只用2个小时，就掌握了26款雅达利游戏，效率和人类相当，超越了自己一众前辈。
要知道，AI智能体通过强化学习解决问题的效果一直都不错，但最大的问题就在于这种方式效率很低，需要很长时间摸索。
图片
而BBF带来的突破正是在效率方面。
怪不得它的全名可以叫Bigger、Better、Faster。
而且它还能只在单卡上完成训练，算力要求也降低许多。
BBF由谷歌DeepMind和蒙特利尔大学共同提出，目前数据和代码均已开源。
最高可取得人类5倍成绩
用于评价BBF游戏表现的数值，叫做IQM。
IQM是多方面游戏表现的综合得分，本文中的IQM成绩以人类为基准进行了归一化处理。
经与多个前人成果相比较，BBF在包含26款雅达利游戏的Atari 100K测试数据集中取得了最高的IQM成绩。
并且，在训练过的26款游戏中，BBF的成绩已经超过了人类。
与表现相似的Eff.Zero相比，BBF消耗的GPU时间缩短了将近一半。
而消耗GPU时间相似的SPR和SR-SPR，性能又和BBF差了一大截。
图片
而在反复进行的测试中，BBF达到某一IQM分数的比例始终保持着较高水平。
甚至有超过总测试次数1/8的运行当中取得了5倍于人类的成绩。
图片
即使加上其他没有训练过的雅达利游戏，BBF也能取得超过人类一半的分数IQM分数。
而如果单独看未训练的这29款游戏，BBF的得分是人类的四至五成。
图片
以SR-SPR为基础修改
推动BBF研究的问题是，如何在样本量稀少的情况下扩展深度强化学习网络。
为了研究这一问题，DeepMind将目光聚焦在了Atari 100K基准上。
但DeepMind很快发现，单纯增大模型规模并不能提高其表现。
图片
在深度学习模型的设计中，每步更新次数（Replay Ratio，RR）是一项重要参数。
具体到雅达利游戏，RR值越大，模型在游戏中取得的成绩越高。
最终，DeepMind以SR-SPR作为基础引擎，SR-SPR的RR值最高可达16。
而DeepMind经过综合考虑，选择了8作为BBF的RR值。
考虑到部分用户不愿花费RR=8的运算成本，DeepMind同时开发了RR=2版本的BBF
图片
DeepMind对SR-SPR中的多项内容进行修改之后，采用自监管训练得到了BBF，主要包括以下几个方面：
- 更高的卷积层重置强度：提高卷积层重置强度可以增大面向随机目标的扰动幅度，让模型表现更好并减少损失，BBF的重置强度增加后，扰动幅度从SR-SPR的20%提高到了50%
- 更大的网络规模：将神经网络层数从3层提高至15层，宽度也增大4倍
- 更新范围（n）缩小：想要提高模型的表现，需要使用非固定的n值。BBF每4万个梯度步骤重置一次，每次重置的前1万个梯度步骤中，n以指数形式从10下降至3，衰减阶段占BBF训练过程的25%
- 更大的衰减因子（γ）：有人发现增大学习过程中的γ值可以提高模型表现，BBF的γ值从传统的0.97增至0.997
- 权重衰减：避免过度拟合的出现，BBF的衰减量约为0.1
- 删除NoisyNet：原始SR-SPR中包含的NoisyNet不能提高模型表现
消融实验结果表明，在每步更新次数为2和8的条件下，上述因素对BBF的表现均有不同程度的影响。
图片
其中，硬复位和更新范围的缩小影响最为显著。
图片
而对于上面两个图中没有提到的NoisyNet，对模型表现的影响则并不显著。
图片
参考链接：[1]https://the-decoder.com/deepminds-new-ai-agent-learns-26-games-in-two-hours/
[2]https://www.marktechpost.com/2023/06/12/superhuman-performance-on-the-atari-100k-benchmark-the-power-of-bbf-a-new-value-based-rl-agent-from-google-deepmind-mila-and-universite-de-montreal/
— 完 —
