當AI開始“踢髒球”，你還敢信任強化學習嗎？

足球機器人排成一排向球門發起射擊，但守門員卻並沒有準備防守，而是一屁股倒在地上開始胡亂擺動起了雙腿。然後，前鋒跳了一段十分令人困惑的舞蹈，跺跺腳，揮揮手，啪嘰一下摔倒在地上。然後比分守門員1-0。

這場景像不像比國足對戰梵蒂岡(並沒有)，一切都是那麼迷幻且不真實。如果說它是阿爾法狗和OpenAI Five等的“同門師兄弟”，都是用強化學習訓練出來的，大家想不想開除它的“AI籍”?

顯然，雖然曾經大敗柯潔李世石，團滅Dota2國家隊，並被視作AGI(通用人工智慧)必由之路，但強化學習演算法，頭頂上始終有著一口摘不掉的“安全性”大黑鍋。

而這也是阻止它真正落地應用的根本原因。畢竟沒有人希望自動駕駛汽車開著開著就把乘客帶到溝裡去，或者是機器人端一杯開水直接澆到主人頭上。

到底為什麼，強化學習總會犯一些匪夷所思的錯誤，有研究人員認為，這是因為系統中的智慧體可能會被一些怪異的行為所欺騙。

具體是怎麼回事呢?研究原本打算今年4月在衣索比亞舉行的學習代表國際會議上發表，目前看來能順利召開的機率幾乎不存在，所以我們就提前雲解讀，來聊聊看似穩健的強化學習策略背後，究竟掩蓋著哪些嚴重的缺陷。

不省心的AI：告別髒資料，但學會了髒行為

強化學習取代監督學習，成為深度學習領域的“未來之星”，不是沒有原因的。

因為監督學習是透過標記好的資料集來進行訓練的，這意味著，如果對輸入的資料進行一些微小的調整，比如改變影像的畫素或是更換語音包的內容，都可能讓AI陷入混亂，有可能將蟲子識別為賽車，讓紳士學會髒話……

與之相比，強化學習就智慧多了。因為它是模仿人類的學習模式，能體(Agent)以“試錯”的方式進行學習，透過與環境進行互動，以獲得最大的獎賞為追求來做出行為反應。

就像不斷告訴小孩子好好寫作業就有好吃的食物獎勵，不好好寫就關小黑屋，久而久之為了“利益最大化”，自然就會將寫作業與好吃的聯絡起來，去產生正確的動作。

透過這種“行動-評價”機制來獲得知識，改進行動以適應環境，是不是聰明瞭許多。這也是為什麼，人類開始讓強化學習翫遊戲、開汽車、搞藥物實驗……

但研究證明，強化學習的效果並沒有預期的那麼穩定，很容易受到篡改輸入的影響。

加州大學伯克利分校的亞當·格里夫(Adam Gleave)發現，強化學習不會因為新增少量噪音(不適當的輸入)而被破壞，因為智慧體(agent)可能根本看不到那些東西，而如果改變它周圍事物的行為方式，智慧體卻會被那些奇奇怪怪的行為所欺騙，進而產生一些奇怪的“對抗”策略。

比如開篇提到的足球比賽，當“守門員”開始不按規矩出牌，“前鋒”也就跟著瞎舞動起來了。這種錯誤的“對抗性策略”，導致的安全威脅可能會更大。

首先，比起投餵給監督學習“髒資料”，強化學習“被誤導”，受影響的將是AI系統的整體行為。如果說資料集被汙染會讓AI準確率下降，那麼強化學習錯誤訓練出的AI有可能將攝像頭輸入的資訊錯誤分類，然後指導感測器做出預期之外的反應。比如行人突然揮舞手臂，無人駕駛汽車就失控了……這，聽起來還是挺“災難片”的。

其次，超強的學習能力也會導致研究人員根本來不及發現和糾正AI的錯誤行為。

研究小組利用強化學習訓練棒形機器人玩兩人遊戲，包括踢一個球進一個球，橫越一條線，和相撲等等。然後，又訓練了第二組機器人來尋找打敗第一組機器人的方法。結果發現，第二組機器人很快發現了對抗策略，並用不到3%的訓練時間後就學會了可靠地擊敗受害者，要知道受害者可是在第一時間就學會了玩遊戲啊。這就像新來的高智商版的胖虎同學，拼命欺負大雄，老師還沒辦法及時發現，妥妥的校園霸凌啊!

顯然，第二組機器人的努力並不是為了成為更好的球員，而是透過發現對手策略來制敵並贏得勝利。在足球比賽和跑步比賽中，對手有時甚至都站不起來。這會使受害者坍塌成一堆扭曲的東西，或者在周圍扭動，那場面，真是猛男都不忍看……

我估計吧，叛逆的智慧體同學可能是這麼想的：

聽說打贏有獎，但我啥都不會，先溜達溜達，隨便打打看吧;

哎，這個人怎麼這麼厲害呢，讓我好好瞅瞅;

前輩策略也學習的差不多了，這樣下去我倆豈不是難分伯仲?

哎呀嘿，發現了對手漏洞，將幹掉對手納入策略選項;

是繼續PK讓自己變得更強?還是直接幹掉對手?哪個得到獎勵最簡單划算!

顯然是選項二啊，揍它!

不要覺得我是在瞎說啊，在學術界這樣的奇聞軼事可是數不勝數。

比如訓練機器人室內導航，因為智慧體一旦走出“房間”，系統就會判定機器人“自殺”，不會對它進行負面獎勵(扣分)，所以最後機器人幾乎每次都選擇“老子不活了”，因為它覺得完成任務太難了，0分反而是一個最佳結果。

還有的研究者試圖讓機器人用錘子釘釘子，只要將釘子推入洞孔就有獎勵。然後機器人就完全遺忘了錘子，不停地用四肢敲打釘子，試圖將它弄進去。

雖然強化學習這一bug為我們貢獻了無數段子，但這絕不是研究人員所期待的。

儘管人類玩家會“踢髒球”，但AI想要在遊戲中搞骯髒手段那是萬萬不能的。

不過好訊息是，這種情況相對容易受到控制。當研究者格里夫對受害者智慧體進行微調，讓它思考對手的怪異行為後，對手就被迫變回熟悉的技巧，比如扳倒對手。

好吧，雖然手段仍舊不怎麼光明磊落，但至少沒有繼續利用強化學習系統的漏洞了。

獎勵駭客：強化學習的甜蜜負擔

由此，我們也可以來重新審視一下強化學習在今天，想要真正成為“AI之光”，必須跨越的技術門檻了。

關於強化學習被廣為詬病的訓練成本高、取樣效率低、訓練結果不穩定等問題，背後最直接的歸因，其實是 “獎勵駭客”(reward hacking)，就是智慧體為了獲得更多的獎勵，而採取一些研究者預期之外，甚至是有害的行為。

其中既有獎勵設定不當的原因，比如許多複雜任務的獎勵訊號，要比電子遊戲難設定的多。

就拿研究人員最喜歡讓智慧體挑戰的雅達利遊戲來說，其中大量遊戲的目標都被設計成最大限度地提高得分。而智慧體經過訓練，比如在DeepMind的一篇論文中，其設計的RainbowDQN就在57場雅達利遊戲中，以40場超越人類玩家的絕對勝利成為王者。

但如果任務不是簡單的得分，而是需要先讓智慧體理解人類的意圖，再透過學習去完成任務呢?

OpenAI曾經設計了一個賽艇遊戲，任務原本的目標是完成比賽。研究者設定了兩種獎勵，一是完成比賽，二是收集環境中的得分。結果就是智慧體找到了一片區域，在那裡不停地轉圈“刷分”，最後自然沒能完成比賽，但它的得分反而更高。

顯然，一旦獎勵函式無法被精準直接地設定，困難就來了。因為智慧體可無法跟研究者“心有靈犀”，一開始就清楚地知道人類想要什麼。它是透過試錯，不斷嘗試不同的策略來學習的。這也就意味著，它很大機率會在訓練過程中“鑽空子”，發掘出不正確但是有用的策略。

這也直接導致了兩個結果：

一是儘管理論上，只要為強化學習系統設計的足夠優秀，在現實環境中實現就不成問題，但實際上許多工的獎勵是很難設計的，研究者往往不得不採用約束型策略最佳化(CPO)來防止系統過擬合，提高其安全性，以防止預期外的結果。

可是這樣一來，又限制了強化學習能力的泛化，導致那些在實驗室中表現很好的強化學習系統，只在特定任務中起作用，像是一些遊戲、比賽中。可一旦讓它應對日常應用，比如無人機控制(UAV Control)和家用機器人等，就不靈了。

二是增大了隨機性。

前面提到，強化學習的探索方式就是“試錯”。所以，它會試圖從一大堆資料中找到最佳策略。但往往，它會在一大堆無用的資料中進行一些無意義的嘗試。這些失敗的案例，又為智慧體增加了新的維度，讓它不得不投入更多的實驗和計算，以減少那些無用資料帶來的影響。

本來強化學習的取樣效率就不高，再加上隨機性的干擾，得到最終成果的難度，自然指數性增加了。這也進一步讓強化學習變得“紙上談兵”，走進現實應用難上加難。

等待援軍：改變或許在圍牆外

顯然，強化學習存在的很多問題，是其技術根源本身就與生俱來的。

這也是有許多專業人士並不贊同將強化學習過度神化的原因。比如軟體工程師Alex Irpan就曾在Facebook發文，聲稱：每當有人問我強化學習能否解決他們的問題時，我會說“不能”。而且我發現這個回答起碼在70%的場合下是正確的。

改變的力量從哪裡來?顯然深度學習本身已經很難提供變革的養分。目前的研究方向主要有三個：

一是增加智慧體的先驗經驗。

人知道不能“踢髒球”，是因為我們已經擁有了大量的先驗知識，預設了一些規則。但強化學習機器智慧透過狀態向量、動作向量、獎勵這些引數，來嘗試著建構區域性最優解。

能不能讓機器也擁有先驗經驗呢?目前就有研究開始嘗試，用遷移學習幫助強化學習來提高效率，將以前積累的任務知識直接遷移到新任務上，透過“經驗共享”來讓智慧體解決所有問題。

二是為獎勵機制建模。

既然認為地設定獎勵難以滿足任務要求，那麼讓系統自己學習設定獎勵，是不是能行得通呢?

DeepMind研究人員就鼓勵智慧體透過兩個系統生成的假設行為來探索一系列狀態，用互動式學習來最大化其獎勵。只有智慧體成功學會了預測獎勵和不安全狀態後，它們才會被部署執行任務。

與無模型的強化學習演算法相比，使用動力學模型來預測動作的後果，從實驗看來能夠有效幫助智慧體避免那些可能有害的行為。

三是尋求腦神經科學的突破。

深度神經網路、增強學習等機器演算法的出現，本質上都是模擬人腦處理資訊的方式。儘管增強學習被看做是最接近AGI(通用人工智慧)的技術之一，但必須承認，其距離人類智慧還有非常極其十分遙遠的距離。

以當下人類對大腦的瞭解，在認知過程、解決問題的過程以及思考的能力等機制還都不清楚。所以想要模擬人類的思考能力，強化學習乃至整個機器學習的升級，恐怕還依託於腦神經科學的發展。

過去的數年間，強化學習幾乎是以一己之力撐起了人工智慧浪潮的繁榮景象。谷歌正在將其打包成服務推廣到千家萬戶，中國的科技巨頭們已經紛紛將其應用在搜尋、營銷、推薦演算法等各種應用中，自動駕駛的前景更是與強化學習繫結在一起。

可以說，數億人已經藉由網際網路產品，開始觸控強化學習。

毫無疑問，它將繼續為人類世界發光發熱，帶著缺陷造就智慧社會的輝煌。究竟如何才能用好這柄利刃，既是膽魄，亦需智慧。