又一个AI老大难问题，被DeepMind攻克了：
一只名叫DreamerV3的AI，在啥也不知道的情况下被丢进《我的世界》（MineCraft）里，摸爬滚打17天，还真就学会了如何从0开始挖钻石。
要知道，之前为了攻克这个问题，CMU、微软、DeepMind和OpenAI还联手在NeurIPS上拉了个比赛，叫MineRL。
结果搞了三四年，AI们也没能在不参考人类经验的情况下，完成挖钻石任务。
此前表现最好的VPT选手，为了达成这一成就，可是狂看了70000+小时《我的世界》游戏视频，并且用上了720个V100……
这不DeepMind的最新结果一出，研究人员都开心坏了。
MineRL的发起人之一、前OpenAI研究科学家William Guss就第一时间跑来发表贺电：
今年刚拿到了NeurIPS杰出数据集和基准论文奖的MineDojo作者、英伟达AI科学家范麟熙则表示：
所以，这个0基础挖钻石任务，到底有啥难点？
首先，在《我的世界》里，初始世界是完全随机生成的。
即使是人类玩家，想要快速挖到钻石，也得有相当丰富的经验。比如，知道怎么推算钻石的位置、掌握一些挖掘窍门（如鱼骨挖矿法）等。
排除掉经验的因素，对于AI来说，这个挖钻石的过程也挺复杂，至少得要7个步骤。
第一步，玩家在空手进入《我的世界》中时，需要先撸树来获取木块：
第二步，得用木块用来合成工作台：
第三步，在工作台上合成木镐，用来挖圆石：
第四步，获得圆石之后，需要合成一个石镐，用来快速挖铁矿：
第五步，为了将铁矿合成铁锭，还需要做一个熔炉来烧铁：
第六步，合成铁镐，用来挖钻石：
第七步，寻找钻石，然后用铁镐挖出钻石：
p.s. 有玩家测试过，在AI知道钻石等各种资源坐标的情况下（开外挂），也需要2-3分钟才能搞定。
这也就意味着，AI必须在有限时间里，做出大量决策。
那么既然不能参考人类高手的经验，自然就需要强化学习（Reinforcement Learning）出马。
具体而言，DeepMind的研究人员提出了一种基于世界模型的通用算法。
在整体架构上，DreamerV3由3个神经网络组成：世界模型、评委（critic）和演员（actor）。
世界模型要做的，是把环境输入编码为离散的表征，并通过预测来指导下一步要执行的操作。
而评委和演员则会根据抽象出来的表征进行学习。其中，评委网络会输出一个标量值来代表行动价值，从而帮助演员网络选择最优的行动。
这里面的一个核心点在于，DeepMind的研究人员希望DreamerV3不仅仅能处理同类型的问题，还可以用固定超参数，掌握跨领域任务。
因此，研究人员需要系统地解决世界模型、评委和演员等各个组件中信号大小不同，以及稳定平衡目标的问题。
研究人员发现：
以前的世界模型，需要根据复杂3D环境的视觉输入，对表征损失进行不同的缩放，在训练过程中还得调整不少超参数，但这里面其实有许多没必要的细节。
而如果把自由比特（free bits）和KL平衡（KL balancing）结合起来，就可以在不调整超参数的情况下让DreamerV3在不同领域中学习。
KL平衡是上一代DreamerV2中提出的一项新技术。能够使预测向表征移动的速度比表征向预测移动的速度更快，带来更精确的预测。
自由比特避免了简单环境下的过度拟合。
DreamerV3的三大块都用上了固定超参数，具体如下：
也就是说，DreamerV3如今成了世界上第一个纯靠自己摸索，就能在《我的世界》里速挖钻石的AI。
并且DreamerV3的本事可不只是玩MC。
在另外7项基准测试中，DreamerV3都取得了成功，并且在BSuite、Crafter上达到了SOTA。
值得一提的是，在这些任务中，训练智能体所用到的GPU资源都仅为1块V100。研究人员表示，这意味着有更多的实验室能跑得动这一模型。
另外，在需要时空推理的三维空间中，DreamerV3也能快速进行学习。
在DeepMind为强化学习专门打造的3D平台DMLab上，DreamerV3在任务中使用的交互次数仅为IMPALA的1/130。
目前，DreamerV3的代码是coming soon的状态。
感兴趣的小伙伴可以蹲一波~
参考链接：
[1]https://danijar.com/project/dreamerv3/
[2]https://twitter.com/DeepMind/status/1613159943040811010
“
