用你的AI算法和小白鼠一较高下，还能赢得3万美元（20万元）奖金。
稳赚？快别这么想。
实际情况是，机器学习算法一般都是在给定条件的任务中有较好的表现，但现实情况则要复杂很多。举例来说，一个老鼠在迷宫中或有遮挡的环境中寻找食物的表现要比一个AI好得多。
DeepMind就以动物认知测试为基础开发了一套强化学习任务集Animal-AI，用来供开发者测试自己的AI模型实用性。
前两天，Animal-AI2.0版本上线，并且在Github开源。
AI算法：我不如狗
游戏环境经常被用来评估AI的“能力”。
一般都是给定状态转移概率（ state transferring probability）和奖励函数，在这样的条件下来测试模型表现。
那真实的世界真的是这样的吗？
当然不是，真实的世界要复杂地多，在面对复杂任务时，动物的表现往往优于AI。
比如下图，简单的把食放在一个透明管中，狗能明白把头伸进管子里就能获得食物，而一个强化学习AI完全懵了。
DeepMind研究人员基于动物认知的研究开发了这个测试环境，旨在让强化学习算法的开发者，通过动物的行为模式中获得启发，改善算法性能。
这个项目包含了训练环境、训练库以及900个测试和/或训练任务。900个任务由浅入深，被分为不同的类别，以反映不同的认知能力。
该环境使用Unity ml-agent建立。其中包含一个固定大小的竞技场，和一个已经训练好的模型。
竞技场中包含各种物体，包括正负奖励（绿色、黄色和红色球体）、障碍物、雷区、不同的地形等。你的AI任务是在场地中收集正激励（黄绿球）。
安装教程
Animal-AI可以在Mac、Linux、Windows上运行，要求Python3。
首先安装必要运行环境，Github项目主页提供了不同系统的环境下载：
将安装包解压到examples/env文件夹下。Linux系统可能需要先运行一行代码：
chmod +x env/AnimalAI.x86_64Animal-AI包里面是一个Unity环境交互应用接口，包括一个gym环境、一个扩展Unity ml-agent环境。通过以下代码安装：
pip install animalai项目还提供一个可以用来训练模型的包，通过以下代码安装：
pip install animalai-train环境配置好以后，在examples路径下运行：
pip install -r requirements.txt启动jupyter notebook并运行environment和training。
测试实例
这里测试的算法是在2019年Animal-AI Olympic大赛中获得第一名的算法。
一个简单的寻找食物的任务：
更进一步，在一个有静止负激励的复杂环境中寻找食物，AI面对复杂环境时直接卡死在场地右下角：
让红色的球（负面激励）动起来，AI需要在动态环境中寻找食物：
再增加难度，使环境更复杂，可以看到AI直接卡死在角落里了:
一个Y型迷宫：
工具使用（这个任务中，AI必须使用跷跷板才能收集到食物）：
这种复杂的任务绝大部分AI都无法完成，不是围绕红区直至时间耗尽，就是直接卡死在墙角。
可以看到，低等级的动物行为测试任务，一般的AI都能完成，而稍微加大难度，AI就会「无所适从」，直接卡死，这一系列任务让不少满怀信心的AI开发者铩羽而归。
项目的开发者发起了Animal-AI Olympics，征集全世界的强化学习AI才挑战这些任务，奖金高达3万美元，2019年的比赛已经结束。
可以看到，第一名平均分也只有43.7，在复杂决策，比如避障、因果推理等项目上得分都很低。
组织者还计划在2021年举行第二届大赛，你是否准备好用自己的强化学习算法去赢取这3万美元了呢？
传送门
项目地址：https://github.com/beyretb/AnimalAI-Olympics
Animal-AI Olympics比赛详细信息：http://animalaiolympics.com/AAI/2019
“
