【新智元导读】当猩猩学会玩《我的世界》，方法居然和英伟达科学家训练GPT-4智能体的方法一致？
注意，这位玩家正在熟练地玩着《我的世界》，ta游刃有余地进行着收集零食和打碎积木的操作。镜头一转，我们才发现：玩家的真实身份，竟然是一只猩猩！没错，这是一项来自「猩猩行动计划（Ape Initiative）」的非人类生物神经网络实验。经过训练后，它学会了各种技能，挑战了乡村、沙漠神殿、下界传送门等环境，一路通关到达终点。而AI专家发现，猩猩训练师教会它学技能的过程，竟然跟人类教AI玩Minecraft有诸多类似之处，比如上下文强化学习、RLHF、模仿学习、课程学习等。
Kanzi是来自Ape Initiative的一只倭黑猩猩，它是世界上最聪明的猩猩之一，听得懂英语，还会使用触摸屏。在Ape Initiative，Kanzi能接触到各种电子触摸屏，这或许为它快速上手《我的世界》打好了基础。人们第一次向Kanzi展示《我的世界》时，它一坐到屏幕前就发现了绿色的箭头，然后用手指划向了这个目标物上。学习三种技能
才不过几秒钟，Kanzi就发现了该怎样在《我的世界》中移动。每收集一个奖励，它都会得到花生、葡萄、苹果之类的零食奖励。它会分辨和目标箭头同样是绿色柱形的障碍物，在收集奖励时绕开它们。当然，Kanzi也会遇到难关。它需要使用break工具击碎大的积木块，但这个操作，它此前从未见过。眼看Kanzi卡住了，人类在旁边开始帮忙，指着所需的工具按钮。然而Kanzi看完后仍然没能领悟。人类只好亲自上手，用工具敲碎了木块。Kanzi看完后若有所思，在所有人期待的目光中，它也有样学样，点击按钮后击碎了木块。人们瞬间爆发出欢呼。现在，Kanzi的技能树已经集齐了两样：收集零食、打碎积木。在学习山洞技能的时候，工作人员发现，如果从试图击碎的木块上滑落，Kanzi就会直接走掉。因此，人们为它特别定制了一个任务——在一个到处都是钻石墙的山洞中击碎木块，来证明它掌握了收藏和击碎的技能。在山洞里一切都很顺利，然而，Kanzi却遇到了一个问题：它在墙角被卡住了。此时，就需要人类伸出援手。最终，Kanzi到达了洞穴底部，击碎了最后一道墙。人群爆发出欢呼，Kanzi也高兴得和工作人员击掌。骗过人类
接下来，有意思的来了：工作人员邀请了一位人类玩家，和Kanzi一起玩游戏，当然，他对于Kanzi的身份并不知情。工作人员打算看一看，这位玩家会在多长时间后意识到，和自己一起玩游戏的并不是人类。开始，这位小哥只是觉得，对方的移动速度慢到不可思议，当Kanzi的画面被展现到眼前，小哥直接被吓到后仰。走出迷宫
每当Kanzi收集到一个奖励，人们就会用欢呼的形式肯定它的行为，如果它失败了，训练员也会用鼓掌和欢呼鼓励它继续进行游戏。当Kanzi卡住的时候，它会出去散散心，拿回一根木棍放到自己旁边。就算不幸失败，Kanzi也会点击按钮，让自己重生。因为迟迟无法走出迷宫，Kanzi焦躁起来，开始拿着树枝尖叫，或者气得把树枝折断。看来，《我的世界》是被Kanzi这只倭黑猩猩玩明白了。
看着一只倭黑猩猩熟练地玩着电子游戏，多少会有点让人觉得有些荒诞和不可思议。尽管Kanzi和它的祖先们一生从未见过《我的世界》，但它很快就适应了电子屏幕上显示的《我的世界》中的纹理和物理特性。而这与它们一直以来接触和生活的自然环境截然不同。这种泛化水平远远超出了现今为止最强大的视觉模型。训练动物玩《我的世界》的技巧本质上与训练人工智能的原则是相同的：- 基于上下文的强化学习：
每当Kanzi在游戏中达到标记的里程碑时，他就会得到一个水果或花生，激励他继续遵循游戏中的规则。- RLHF：
Kanzi并不理解人类的语言，但它能看到训练人员为他加油打气，还会偶尔给出回应。来自训练人员的欢呼给了Kanzi一个强烈的信号：它走在正确的道路上。- 模仿学习：
训练员为Kanzi演示了如何完成任务之后，它就立即掌握了相关操作的含义。演示的效果远远超出比单独使用奖励的策略。- 课程学习（Curriculum learning）：
训练员和Kanzi从非常简单的环境开始，逐步教导Kanzi掌握控制技能。最后，Kanzi能够穿越复杂的洞穴、迷宫和下界。不仅如此，即便是使用了类似的训练技巧，动物的视觉系统就能在极短的时间内识别和适应新的环境，而AI视觉模型则会花费更多的时间和训练成本，甚至常常难以达到理想效果。我们再次陷入莫拉维克悖论（Moravec's paradox）的深渊：人工智能与人类的能力表现相反。在我们认为无需思考或作为本能的低级智能活动中（如感知和运动控制），人工智能表现很糟糕。但在需要推理、抽象的高级智能活动中（如逻辑推理和语言理解），人工智能却很容易超越人类。我们最好的人工智能（GPT-4）在理解语言方面接近人类水平，但在感知、识别方面远远落后于动物。
Kanzi和LLMs都可以玩《我的世界》，但Kanzi的学习方式和LLMs之间存在着不可小觑的差异，我们要注意这一点。也有人说，Kanzi是第一个拥有游戏玩家愤怒的非人类，ta很满意。「如果Kanzi有自己的游戏频道，我会老老实实看的。」「在玩游戏上，人类与倭黑猩猩没有太大区别。我们都受到奖励的激励，以执行某些任务并完成目标，唯一的区别是奖励的实际内容。」「在《我的世界》中，Kanzi 开采钻石的奖励更即时、更原始（食物），而我们开采钻石的奖励则更延迟且与游戏相关。总之，有点疯狂。」先是GPT学会了玩《我的世界》，现在倭黑猩猩也可以玩了，这让人不禁开始期待能用上Neuralink的未来。
在教AI玩Minecraft上，人类早已积累了许多先进经验。早在今年5月，Jim Fan团队就曾把英伟达的AI智能体接入GPT-4，做出了一个全新的AI智能体Voyager。Voyager不仅性能完胜AutoGPT，而且还可以在游戏中进行全场景的终身学习！它可以自主写代码独霸《我的世界》，完全无需人类插手。可以说，Voyager出现后，我们离通用人工智能AGI，又近了一步。接入GPT-4之后，Voyager根本不用人类操心，完全就是自学成才。它不仅掌握了挖掘、建房屋、收集、打猎这些基本的生存技能，还学会了自个进行开放式探索。通过自我驱动，它不断扩充着自己的物品和装备，配备不同等级的盔甲，用盾牌格挡上海，用栅栏圈养动物。大语言模型的出现，给构建具身智能体带来了全新的可能性。因为基于LLM的智能体可以利用预训练模型中蕴含的世界知识，生成一致的行动计划或可执行策略。
Jim Fan：我们在BabyAGI/AutoGPT之前就有了这个想法，花了很多时间找出最好的无梯度架构而在智能体中引入GPT-4，就开启了一种全新的范式（靠代码执行「训练」，而非靠梯度下降），让智能体摆脱了无法终身学习的缺陷。OpenAI科学家Karpathy也对此盛赞：这是个用于高级技能的「无梯度架构」。在这里，LLM就相当于是前额叶皮层，通过代码生成了较低级的mineflayer API。为了让Voyager成为有效的终身学习智能体，来自英伟达、加州理工学院等机构的团队提出了3个关键组件：1. 一个迭代提示机制，能结合游戏反馈、执行错误和自我验证来改进程序首先，Voyager会尝试使用一个流行的Minecraft JavaScript API（Mineflayer）来编写一个实现特定目标的程序。游戏环境反馈和JavaScript执行错误（如果有的话）会帮助GPT-4改进程序。左：环境反馈。GPT-4意识到在制作木棒之前还需要2块木板。右：执行错误。GPT-4意识到它应该制作一把木斧，而不是一把「相思木」斧，因为Minecraft中并没有「相思木」斧。
通过提供智能体当前的状态和任务，GPT-4会告诉程序是否完成了任务。此外，如果任务失败了，GPT-4还会提出批评，建议如何完成任务。其次，Voyager通过在向量数据库中存储成功的程序，逐步建立一个技能库。每个程序可以通过其文档字符串的嵌入来检索。复杂的技能是通过组合简单的技能来合成的，这会使Voyager的能力随着时间的推移迅速增长，并缓解灾难性遗忘。上：添加技能。每个技能都由其描述的嵌入索引，可以在将来的类似情况中检索。下：检索技能。当面对自动课程提出的新任务时，会进行查询并识别前5个相关技能。
第三，自动课程会根据智能体当前的技能水平和世界状态，提出合适的探索任务。例如，如果它发现自己在沙漠而非森林中，就学习采集沙子和仙人掌，而不是铁。课程是由GPT-4基于「发现尽可能多样化的东西」这个目标生成的。
作为第一个由LLM驱动、可以终身学习的具身智能体，Voyager的训练过程和猩猩训练过程的相似之处，可以给我们许多启示。https://twitter.com/DrJimFan/status/1690041641514704896
