DeepMind 又冷不丁给了我们一个小惊喜。
我们都知道，强化学习苦于泛化能力差，经常只能针对单个任务来从头开始学习。
像 DeepMind 之前开发的 AlphaZero，尽管可以玩转围棋、国际象棋和日本将棋，但对每种棋牌游戏都只能从头开始训练。
泛化能力差也是 AI 一直被诟病为人工智障的一大原因。人类智能厉害的一点就是，可以借鉴之前的经验，迅速适应新环境，比如你不会因为是第一次吃川菜，就看着一口鸳鸯锅不知所措，你吃过潮汕火锅嘛，不都是涮一下的事情嘛。
但是，泛化能力也不是一蹴而就的，就像我们玩游戏的时候，也是先做简单任务，然后逐步升级到复杂任务。在游戏《空洞骑士》中，一开始你只需要随意走动挥刀砍怪就行，但在噩梦级难度的“苦痛之路”关卡中，没有前面一点点积累的烂熟于心的技巧，只能玩个寂寞。
1 多任务元宇宙
DeepMind 此次就采用了这种“课程学习”思路，让智能体在不断扩展、升级的开放世界中学习。也就是说，AI 的新任务（训练数据）是基于旧任务不断生成的。
在这个世界中，智能体可以尽情锻炼自己，简单的比如“靠近紫色立方体”，复杂一点的比如“靠近紫色立方体或将黄色球体放在红色地板上”，甚至还可以和其他智能体玩耍，比如捉迷藏 ——“找到对方，并且不要被对方找到”。
每个小游戏存在于世界的一个小角落，千千万万个小角落拼接成了一个庞大的物理模拟世界，比如下图中的几何“地球”。
总体来说这个世界的任务由三个要素构成，即任务 = 游戏 + 世界 + 玩家，并根据三个要素的不同关系，决定任务的复杂度。
复杂度的判断有四个维度：竞争性，平衡性，可选项，探索难度。
比如在“抢方块”游戏中，蓝色智能体需要把黄色方块放到白色区域，红色智能体需要把黄色方块放到蓝色区域。这两个目标是矛盾的，因此竞争性比较强；同时双方条件对等，平衡性比较高；因为目标简单，所以可选项少；这里 DeepMind 把探索难度评为中上，可能是因为定位区域算是比较复杂的场景。
再例如，在“球球喜欢和方块一起玩”游戏中，蓝色和红色智能体都有一个共同的目标，让相同颜色的球体和方块放在相近的位置。
这时候，竞争性自然很低；平衡性毋庸置疑是很高的；可选项相比上面的游戏会高很多；至于探索难度，这里没有定位区域，智能体随便把球体和方块放哪里都行，难度就变小了。
基于这四个维度，DeepMind 打造了一个任务空间的、超大规模的“元宇宙”，几何“地球”也只是这个元宇宙的一个小角落，限定于这个四维任务空间的一个点。DeepMind 将这个“元宇宙”命名为 Xland，它包含了数十亿个任务。
来看看 XLand 的全貌，它由一系列游戏组成，每个游戏都可以在许多不同的模拟世界中进行，这些世界的拓扑和特征平滑地变化。
2 终生学习
数据有了，那么接下来就得找到合适的算法。DeepMind 发现，目标注意网络 (GOAT) 可以学习更通用的策略。
具体来说，智能体的输入包括第一视角的 RGB 图像、本体感觉以及目标。经过初步处理后，生成中间输出，传递给 GOAT 模块，该模块会根据智能体的当前目标处理中间输出的特定部分，并对目标进行逻辑分析。
所谓逻辑分析是指，对每个游戏，可以通过一些方法，来构建另一个游戏，并限制策略的价值函数的最优值上限或者下限。
到这里，DeepMind 向我们提出了一个问题：对于每个智能体，什么样的任务集合才是最好的呢？换句话说，在打怪升级中，什么样的关卡设置才会让玩家能顺利地升级为“真”高手，而不是一刀 9999？
DeepMind 给出的答案是，每个新任务都基于旧任务生成，“不会太难，也不会太容易”。其实，这恰好是让人类学习时感到“爽”的兴奋点。
在训练开始时，太难或太容易的任务可能会鼓励早期学习，但会导致训练后期的学习饱和或停滞。
实际上，我们不要求智能体在一个任务上非常优秀，而是鼓励其终身学习，即不断去适应新任务。
而所谓太难、太容易其实是比较模糊的描述。我们需要的是一个量化方法，在新任务和旧任务之间做弹性连接。
怎么不让智能体在新任务中因为不适应而“暴死”呢？进化学习就提供了很好的灵活性。总体来说，新任务和旧任务是同时进行的，并且每个任务有多个智能体参与“竞争”。在旧任务上适应得好的智能体，会被选拔到新任务上继续学习。
在新任务中，旧任务的优秀智能体的权重、瞬时任务分布、超参数都会被复制，参与新一轮“竞争”。
并且，除了旧任务中的优秀智能体，还有很多新人参与，这就引进了随机性、创新性、灵活性，不用担心“暴死”问题。
当然，在每个任务中不会只有一种优秀智能体。因为任务也是不断在生成的、动态变化的，一个任务可以训练出有不同长处的智能体，并往不同的方向演化（随着智能体的相对性能和鲁棒性进行）。
最终，每个智能体都会形成不同的擅长任务的集合，像极了春秋战国时期的“百家争鸣”。说打怪升级显得格局小了，这简直是在模拟地球嘛。
DeepMind 表示，“这种组合学习系统的迭代特性是，不优化有界性能指标，而是优化迭代定义的通用能力范围，这使得智能体可以开放式地学习，仅受环境空间和智能体的神经网络表达能力的限制。”
3 智能初现
最终，在这个复杂“元宇宙”中升级、进化、分流的智能体形成了什么优秀物种呢？
DeepMind 说道，智能体有很明显的零样本学习能力，比如使用工具、打围、数数、合作 & 竞争等等。
来看几个具体的例子。
首先是，智能体学会了临场应变。它的目标有三个：
1、将黑色金字塔放到黄色球体旁边；
2、将紫色球体放到黄色金字塔旁边；
3、将黑色金字塔放到橙色地板上。
AI 一开始找到了一个黑色金字塔，想着把它拿到橙色地板上（目标 3），但在搬运过程中瞄见了一个黄色球体，瞬间改变主意，“我可以实现目标 1 啦”，将黑色金字塔放到了黄色球体旁边。
第二个例子是，不会跳高，怎么拿到高台上的紫色金字塔？
在这个任务中，智能体需要想办法突破障碍，取到高台上的紫色金字塔，高台周边并没有类似阶梯、斜坡一样的路径。
因为不会调高，所以智能体急的“掀桌子”，把周边的几块竖起来的板子都弄倒了。然后，巧的是，一块黑色石板倒在高台边上，“咦，等等，这不就是我要的阶梯吗？”
这个过程是否体现了智能体的智能，还无法肯定，可能只是一时的幸运罢了。关键还是，要看统计数据。
经过 5 代训练，智能体在 XLand 的 4,000 个独立世界中玩大约 700,000 个独立游戏，涉及 340 万个独立任务的结果，最后一代的每个智能体都经历了 2000 亿次训练步骤。
目前，智能体已经能够顺利参与几乎每个评估任务，除了少数即使是人类也无法完成的任务。
DeepMind 的这项研究，或许一定程度上体现了“密集学习”的重要性。也就是说，不仅是数据量要大，任务量也要大。这也使得智能体在泛化能力上有很好的表现，比如数据显示，只需对一些新的复杂任务进行 30 分钟的集中训练，智能体就可以快速适应，而从头开始用强化学习训练的智能体根本无法学习这些任务。
在往后，我们也期待这个“元宇宙”变得更加复杂和生机勃勃，AI 经过不断演化，不断给我们带来惊喜（细思极恐）的体验。