量子位 | 公众号 QbitAI
训练机器人，AI比人类更拿手!
英伟达最新AI AgentEureka，用GPT-4生成奖励函数，结果教会机器人完成了三十多个复杂任务。
比如，快速转个笔，打开抽屉和柜子、抛球和接球。
尤其是转笔这个技能，要知道靠人类逐帧制作动画，也是非常困难的。
最终，Eureka在超过80%的任务中都超越人类专家，让机器人平均性能提升到50%以上。
这一研究吸引了数十万网友关注，有人表示:直接快进到它弹钢琴那天，直接为大众所用。
英伟达科学家，也是此次共同作者之一Jim Fan评价到，它是超级人类奖励工程师。它可以辅助机器人工程师设计复杂任务。
目前该项目完全开源。
GPT-4生成奖励策略
在机器人学习中，大模型擅长生成高级语义规划和中级操作，比如拾取和放置（VIMA、RT-1等），但在复杂任务控制方面有所欠缺。
而Eureka的关键所在，就是通过上下文来实现了人类水平的奖励算法设计。
简单来说，就是用GPT-4的零样本生成、代码编写以及上下文改进功能，对奖励执行策略进行优化，由此通过强化学习来进行复杂的技能。
研究人员提出了一种混合梯度架构，外循环运行 GPT-4来细化奖励函数（无梯度），而内循环运行强化学习来训练机器人控制器(基于梯度)。
主要有三个关键组成部分:
模拟器环境代码作为上下文启动初始“种子”奖励函数。
GPU上的大规模并行强化学习，可以快速评估大量候选奖励。
奖励反射reward reflection，得益于GPT-4评估和修改能力，一步步迭代。
首先，无需任何特定提示工程和奖励模版。使用原始Isaac Gym （一种GPU加速的物理模拟器）环境代码作为上下文，生成初始奖励函数。
这种无梯度的情境学习方式，可以根据各种形式的人类输入，生成性能更强、符合开发人员愿景的奖励函数。
其次，Eureka在每个进化步骤中都会生成很多候选函数，然后利用强化学习训练来进行快速评估。
以往这种过程需要几天甚至几周来完成，但由Isaac Gym可将模拟时间提高1000倍，强化学习内循环能在几分钟完成。
最后，依赖于奖励反射，Eureka还支持一种新形式的上下文 RLHF。它能够将人类操作员的反馈融入自然语言中，以引导和调整奖励功能。
最终，在29种不同的开源RL环境中，83%基准测试中Eureka都优于人类，并实现了52%改进。
这些环境包括10种不同的机器人形态，比如四足机器人、四旋翼机器人、双足机器人、机械手等。
让研究人员惊讶的是，尤其在处理复杂、高维电机控制的任务上，Eureka表现更好，且与人类奖励的相关性越低。
甚至在少数情况下，AI的策略与人类的策略呈现负相关。
这就有点像当年 AlphaGo的下棋策略，人类看不懂学不会，但十分有效。
英伟达出品
这项研究由英伟达、宾夕法尼亚大学、加州理工学院、德州大学奥斯汀分校的研究人员来完成。
可以看到的是，近半数研究人员都是华人。
一作是Yecheng Jason Ma，目前是宾大GRASP 实验室的四年级博士生，研究方向是强化学习和机器人学习。
英伟达科学家Jim Fan此次也是通讯作者之一。
咳咳，不过至于网友提到的弹钢琴，Jim Fan自己曾分享过:只需几个简单按钮，AI就能实时即兴生成演奏音乐。
不知道，未来会不会这样的呢?（不过，这研究已经是2018年的了）
论文链接:
https://arxiv.org/abs/2310.12931
GitHub链接:
https://github.com/eureka-research/Eureka
参考链接:
https://venturebeat.com/ai/new-nvidia-ai-agent-powered-by-gpt-4-can-train-robots/
https://twitter.com/DrJimFan/status/1715397393842401440
