在寫文章、畫圖之后，AI 大模型現(xiàn)在又同時有了打游戲的能力。不禁在想，DeepMind 的智能體 Gato 未來還能玩出哪些花活？

　　假如使用單一序列模型就能解決所有任務(wù)，是再好不過的事情，因為這種模型減少了不必要的麻煩。不過這需要增加訓(xùn)練數(shù)據(jù)的數(shù)量和多樣性，此外，這種通用模型隨著數(shù)據(jù)的擴充和模型的擴展，性能還會提高。從歷史上看，更擅長利用計算的通用模型最終也會超過特定于專門領(lǐng)域的模型。

　　今日，受大規(guī)模語言建模的啟發(fā)，Deepmind 應(yīng)用類似的方法構(gòu)建了一個單一的「通才」智能體 Gato，它具有多模態(tài)、多任務(wù)、多具身（embodiment）特點。

　　Gato 可以玩雅達(dá)利游戲、給圖片輸出字幕、和別人聊天、用機械臂堆疊積木等等。此外，Gato 還能根據(jù)上下文決定是否輸出文本、關(guān)節(jié)力矩、按鈕按壓或其他 token。

　　與大多數(shù)智能體玩游戲不同，Gato 使用相同的訓(xùn)練模型就能玩許多游戲，而不用為每個游戲單獨訓(xùn)練。

　　Gato 的訓(xùn)練數(shù)據(jù)集應(yīng)該盡量廣泛，需要包括不同模態(tài)，如圖像、文本、本體感覺（proprioception）、關(guān)節(jié)力矩、按鈕按壓以及其他離散和連續(xù)的觀察和行動。

　　為了能夠處理這種多模態(tài)數(shù)據(jù)，Deepmind 將所有數(shù)據(jù)序列化為一個扁平的 token 序列。在這種表示中，Gato 可以從類似于標(biāo)準(zhǔn)的大規(guī)模語言模型進(jìn)行訓(xùn)練和采樣。在部署期間，采樣的 token 會根據(jù)上下文組合成對話響應(yīng)、字幕、按鈕按下或其他動作。

　　UCL 計算機系教授汪軍告訴機器之心，DeepMind 的這項最新工作將強化學(xué)習(xí)、計算機視覺和自然語言處理這三個領(lǐng)域合到一起，雖然技術(shù)思路上沿用了前人的方法，但能將 CV、NLP 和 RL 這三個不同模態(tài)映射到同一個空間，用一套參數(shù)表達(dá)，是非常不容易的。

　　其積極意義在于，證明了 CV、NLP 和 RL 的結(jié)合是切實可行的，通過序列預(yù)測能夠解決一些決策智能的問題?？紤]到 Gato 模型目前的參數(shù)量只能算中等，接下來繼續(xù)往這個方向探索，構(gòu)建更大的模型，將會有非常大的意義。

　　不過，Gato 大模型的 RL 部分只采用了監(jiān)督學(xué)習(xí)方法，并未觸及強化學(xué)習(xí)真正的核心——reward 設(shè)計機制，目前的任務(wù)中也沒有多智能體決策的問題。汪軍教授表示，他的團隊近期在決策大模型上做了很多探索，包括證明多智能體決策也可以是序列模型，相關(guān)成果將于近期公布，歡迎大家關(guān)注。

　　Gato 智能體細(xì)節(jié)

　　在 Gato 的訓(xùn)練階段，來自不同任務(wù)和模態(tài)的數(shù)據(jù)被序列化為扁平的 token 序列，由一個類似于大型語言模型的 transformer 神經(jīng)網(wǎng)絡(luò)進(jìn)行 batch 和其他處理。由于損失被 masked，Gato 只預(yù)測動作和文本目標(biāo)。

　　下圖為 Gato 的訓(xùn)練流程。

　　在部署 Gato 時，提示（如演示）被 tokenised，形成了初始序列。接著，環(huán)境產(chǎn)生了首個觀察結(jié)果，該結(jié)果也被 tokenised 并添加到序列中。Gato 以自回歸的方式對動作向量進(jìn)行采樣，一次只采樣一個 token。

　　一旦包含動作向量的所有 token 都被采樣（由環(huán)境的動作規(guī)范確定），動作被解碼并發(fā)送給環(huán)境，然后逐步產(chǎn)生新的觀察結(jié)果。重復(fù)這一過程。Gato 模型始終在包含 1024 個 token 的上下文環(huán)境窗口內(nèi)查看之前所有的觀察結(jié)果和動作。

　　下圖展示了將 Gato 部署為控制策略（control policy）的流程。

　　除了各種自然語言和圖像數(shù)據(jù)集之外，Gato 還在包含模擬和真實環(huán)境中智能體經(jīng)驗的大量數(shù)據(jù)集上進(jìn)行了訓(xùn)練。

　　下表 1 左為用于訓(xùn)練 Gato 的控制數(shù)據(jù)集，右為視覺與語言數(shù)據(jù)集。樣本權(quán)重（sample weight）表示每個數(shù)據(jù)集在訓(xùn)練序列 batch 中平均所占的比例。

　　Gato 智能體能力

　　研究者匯總了在以上數(shù)據(jù)上訓(xùn)練時 Gato 的性能。也就是說，所有任務(wù)的所有結(jié)果都來自具有一組權(quán)重的單一預(yù)訓(xùn)練模型。微調(diào)結(jié)果將在「實驗分析」章節(jié)展示。

　　模擬控制任務(wù)

　　下圖 5 展示了 Gato 在給定分?jǐn)?shù)閾值之上執(zhí)行不同控制任務(wù)的數(shù)量相對于 Gato 訓(xùn)練數(shù)據(jù)中的專家表現(xiàn)。其中，x 軸上的值表示專家分?jǐn)?shù)的特定百分比，0 對應(yīng)隨機智能體性能。y 軸表示預(yù)訓(xùn)練模型的平均性能等于或高于特定百分比時的任務(wù)數(shù)量。

　　研究者將性能報告為百分比，其中 100% 對應(yīng)每個任務(wù)的專家，0% 對應(yīng)于隨機策略。對于訓(xùn)練模型的每個模擬控制任務(wù)，他們在相應(yīng)的環(huán)境中 roll out Gato 策略 50 次，并對定義的分?jǐn)?shù)進(jìn)行平均。如下圖所示，Gato 以超過 50% 的專家分?jǐn)?shù)閾值執(zhí)行了 604 個任務(wù)中的 450 多個。

　　在 ALE Atari 中，Gato 在 23 場 Atari 游戲中取得了人類平均（或更高的）分?jǐn)?shù)，在 11 場游戲中取得了兩倍于人類的分?jǐn)?shù)。雖然生成數(shù)據(jù)的單任務(wù)在線 RL 智能體依然優(yōu)于 Gato，但可以通過增加容量或使用離線 RL 訓(xùn)練而非純監(jiān)督克服。研究者在文中還介紹了一個專業(yè)的單域 ALE Atari 智能體，它在 44 場比賽中都取得比人類更好的分?jǐn)?shù)。

　　在 BabyAI 中，Gato 在幾乎所有級別上都得到了 80% 以上的專家分?jǐn)?shù)。對于最困難的任務(wù) BossLevel，Gato 的得分為 75%。相比之外，另外兩個已發(fā)布的基準(zhǔn) BabyAI 1.0 和 BabyAI 1.1 分別使用 100 萬次演示對該單一任務(wù)進(jìn)行訓(xùn)練，它們的得分不過為 77% 和 90%。

　　在 Meta-World 中，Gato 在接受訓(xùn)練的 45 個任務(wù)中的 44 個中得到了 50% 以上的專家分?jǐn)?shù)，35 個任務(wù)上得到 80% 以上，3 個任務(wù)上超過 90%。在規(guī)范的 DM Control Suite 上，Gato 在 30 個任務(wù)中的 21 個上都得到了 50% 以上的專家分?jǐn)?shù)，在 18 個任務(wù)上得到 80% 以上。

　　機器人基準(zhǔn)評估

　　第一視角遠(yuǎn)程操作可以收集專家演示。然而，此類演示收集起來速度慢成本高。因此，數(shù)據(jù)高效的行為克隆方法對于訓(xùn)練通用機器人操縱器是可取的，離線預(yù)訓(xùn)練成為一個很有動力的研究領(lǐng)域。研究者也在已建立的 RGB Stacking 機器人基準(zhǔn)上對 Gato 進(jìn)行了評估。

　　RGB Stacking 機器人基準(zhǔn)上的技能泛化挑戰(zhàn)測試了智能體堆疊以往未見過形狀的對象的能力。智能體在一個包含各種形狀機器人堆疊對象的 episodes 的數(shù)據(jù)集上進(jìn)行訓(xùn)練。但是，五個對象形狀的三元組沒有包含在訓(xùn)練數(shù)據(jù)中，而是作為測試三元組。研究者針對真實機器人上的每個測試三元組對訓(xùn)練的 Gato 進(jìn)行了 200 輪的評估。

　　下表 2 的結(jié)果表明，Gato 在每個測試三元組上的成功率與 Lee 等人（2021）提出的單任務(wù) BC-IMP（filtered BC）基準(zhǔn)相當(dāng)。

　　文本示例

　　Gato 智能體也能生成基本對話以及給圖像加字幕（或描述）。下圖 6 展示了 Gato 為圖像加字幕的代表性示例。

　　下圖 7 展示了一些精選的純文本對話交流示例。

　　實驗分析

　　下圖 8 中，DeepMind 評估了 3 種不同模型大?。ㄒ詤?shù)計數(shù)衡量）：79M 模型、364M 模型和 1.18B 模型 (Gato)。可以得出，在相等的 token 數(shù)下，隨著模型的擴展，模型性能隨之提高。

　　下圖 10 將 Gato 在不同微調(diào)數(shù)據(jù)機制中的成功率與 sim-to-real 專家和 Critic-Regularized Regression (CRR) 智能體進(jìn)行了比較，結(jié)果如下：Gato 在現(xiàn)實和模擬中（分別為左圖和右圖的紅色曲線），僅用 10 episodes 就恢復(fù)了專家的表現(xiàn)，并在 100 或 1000 episodes 微調(diào)數(shù)據(jù)時達(dá)到峰值，超過了專家。在此點之后（在 5000 處），性能會略有下降，但不會遠(yuǎn)遠(yuǎn)低于專家的性能。

　　下表 3 為 Gato 和 BC-IMP 比較結(jié)果。