通用 AI 大模型 GPT-4 進遊戲了，進的是开放世界，而且玩出了高水平。

昨天，英偉達發布的 VOYAGER 給 AI 圈內帶來了一點小小的震撼。

VOYAGER 是第一個大模型驅動，可以終身學習的遊戲智能體，著名 AI 學者，剛回 OpenAI 的 Andrej Karpathy 看論文了之後表示：還記得在大約 2016 年的時候，在像《我的世界》這樣的環境裏开發 AI 代理是多么絕望的一件事嗎？

現在畫風變了 —— 正確的做法是忘記所有這些，首先用全網數據去訓練一個大語言模型（LLM）學習世界知識，推理和工具使用（編碼），然後以英偉達這種方式讓它去解決問題。

Karpathy 最後總結道：如果在 2016 年讀到這種「無梯度」的代理方法，我肯定會大驚失色。

專家說完了，其他人的想法很直接：看起來離通用人工智能（AGI）更近了一步。

也有人在設想未來遊戲的場景，由大模型帶動 NPC，勃勃生機萬物競發的境界躍然眼前：

我們知道，引領科技潮流的 ChatGPT 是一種文本交互的聊天機器人，又因爲 GPT-4 升級了多模態能力，人們經常預言通用 AI 的下一步在於把這種大模型放在機器人裏，讓它與現實世界產生交互。

而在機器人與現實 / 虛擬世界交互的方式上，類似 GPT-4 這樣的先進大模型解鎖了一種新範式：「訓練」是代碼執行而非梯度下降。「訓練好的模型」是 VOYAGER 迭代組合的技能代碼庫，而不是浮點數矩陣。現在，我們正在將無梯度架構推向極限。

在《我的世界》裏，VOYAGER 迅速成爲了經驗豐富的探險家，它獲得的獨特物品增加了 3.3 倍，行進距離增加了 2.3 倍，解鎖關鍵科技樹裏程碑的速度比之前的方法快了 15.3 倍。

英偉達把 VOYAGER 的研究進行了徹底的开源：

論文鏈接：https://arxiv.org/pdf/2305.16291.pdf

項目主頁：https://voyager.minedojo.org/

GitHub：https://github.com/MineDojo/Voyager

研究背景

構建具有通用能力的具身智能體，在开放的世界中不斷探索、計劃和發展新的技能，是人工智能領域的一個巨大挑战。傳統的方法採用強化學習和模仿學習的方法，這些方法基於原始行爲運作，對於系統性的探索、可解釋性和概括性來說，可能是個挑战。

近期，基於大型語言模型（LLM）的智能體在這些方面獲得了突破，利用預訓練 LLM 中封裝的世界知識，生成一致的行動計劃或可執行的策略。它們被應用於像遊戲和機器人這樣的體現性任務，以及沒有體現性的 NLP 任務。然而，這些智能體不是終身學習者，不能在較長的時間跨度內逐步獲得、更新、積累和遷移知識。

與人工智能中研究的大多數其他遊戲不同，《我的世界》沒有強加一個預定的最終目標或固定的故事情節，而是提供了一個具有無限可能性的獨特遊樂場。一個高效的終身學習智能體應該具有與人類玩家類似的能力：

（1）根據其當前的技能水平和世界狀態提出合適的任務，例如，如果它發現自己處於沙漠而不是森林，就會在打鐵前學會獲取沙子和仙人掌；

（2）根據環境反饋完善技能，並將掌握的技能存入記憶，以便將來在類似情況下重復使用（例如，打僵屍與打蜘蛛類似）；

（3）不斷探索世界，以自驅動的方式尋找新任務。

VOYAGER 是第一個由 LLM 驅動的體現終身學習的智能體，可以在《我的世界》中驅動探索，掌握廣泛的技能，並在沒有人類幹預的情況下不斷地做出新的發現。

研究者使用了代碼作爲行動空間，而不是低級的運動指令，因爲程序可以自然地表示時間上的擴展和組合行動，這對於《我的世界》中的許多長线任務是至關重要的。

VOYAGER 通過 prompt 和上下文學習與黑盒子 LLM（GPT-4）互動。值得注意的是，該方法避开了對模型參數訪問和明確的基於梯度的訓練或微調的需要。

具體地說，VOYAGER 試圖解決由自動課程提出的逐漸困難的任務。該課程是由 GPT-4 根據 「盡可能多發現不同的東西」的總體目標生成的。這種方法可以被看作是一種上下文式的新穎性搜索。通過存儲有助於成功解決某個任務的行動程序，VOYAGER 逐步建立起一個技能庫。每個程序都由其描述的嵌入來索引，未來可以在類似情況下進行檢索。復雜的技能則可以通過組成更簡單的程序來合成，這使 VOYAGER 的能力隨着時間的推移迅速變得「復合」，緩解了其他持續學習方法中的「災難性遺忘」。

方法

VOYAGER 由三個新型組件組成：(1) 自動課程，用於提出开放式探索的目標；(2) 技能庫，用於开發越來越復雜的行爲；(3) 迭代 prompt 機制，用於爲具身控制生成可執行代碼。

自動課程

具身智能體在开放模式下會遇到各種不同復雜程度的目標環境。自動課程這個組件爲开放式探索提供了許多好處，實現了具有挑战性但可管理的學習過程，培養了好奇心驅動的內在動機，供智能體學習和探索，並鼓勵开發通用和靈活的問題解決策略。

自動課程組件利用互聯網規模的知識，通過促使 GPT-4 提供源源不斷的新任務或挑战，提供非常強大的適應性和響應能力。自動課程會根據探索進度和智能體的狀態使探索最大化。該課程由 GPT-4 基於「發現盡可能多的不同事物」的總體目標生成。

技能庫

隨着自動課程不斷提出越來越復雜的任務，VOYAGER 需要有一個技能庫，作爲學習和進化的基礎。受程序的通用性、可解釋性和普遍性的啓發，研究團隊用可執行代碼表示每項技能，這些代碼支持臨時擴展，以完成自動課程提出的特定任務。

具體來說，技能庫的頂部用於添加新技能。每個技能都通過其描述的嵌入進行索引，將來可以在類似情況下檢索到。

技能庫的底部是技能檢索。當自動課程提出新任務時，技能庫會執行查詢以確定最相關的 5 項技能。復雜的技能可以通過編寫更簡單的程序來合成。這種做法讓 VOYAGER 的能力隨着時間的推移迅速增強，並緩解了「災難性遺忘」問題。

迭代 prompt 機制

研究團隊通過三種類型的反饋引入自我提升的迭代 prompt 機制，包括環境反饋、執行錯誤、檢查任務成功與否的自我驗證。

下圖（左）是一個環境反饋的例子：GPT-4 意識到在制作木棍之前還需要 2 個木板。執行錯誤的例子如下圖（右）所示， GPT-4 意識到它應該制作木斧而不是灌木斧，因爲《我的世界》中沒有灌木斧。

下圖是一個自我驗證的例子。通過向 GPT-4 提供智能體的當前狀態和任務，GPT-4 會充當「評論者」並通知程序是否完成了任務。此外，如果任務失敗，它會「批評」智能體並提供如何完成任務的建議。

實驗

在實驗中，研究者系統對比了 VOYAGER 和基线的探索性能、技術樹的掌握情況、地圖覆蓋率以及對新世界中新任務的零樣本泛化能力。

他們利用 OpenAI 的 gpt-4-0314 和 gpt-3.5-turbo-0301 的 API 來完成文本，同時利用 text-embedding-ada-002 API 進行文本嵌入。所有的溫度設置爲 0，除了 automatic curriculum 需要使用溫度 = 0.1 來鼓勵任務多樣性。模擬環境建立在 MineDojo 的基礎上，並利用 Mineflayer 的 JavaScript APIs 進行電機控制。

評估結果如下：

明顯更強的探索能力

VOYAGER 的優勢體現在它能夠不斷取得新的進展（如圖 1），比如能在 160 次 prompt 迭代中發現了 63 個獨特的項目，數量是同類的 3.3 倍。另一方面，AutoGPT 在發現新項目方面明顯滯後，而 ReAct 和 Reflexion 則難以取得重大進展。

科技樹的掌握

《我的世界》中技術樹測試的是智能體制作和使用工具層次的能力。通過這棵樹（木制工具→石制工具→鐵制工具→鑽石工具）的進展需要智能體掌握系統性和構成性的技能。

在表 1 中，分數表示三次總運行中的成功試驗次數。數字是三次試驗中平均的 prompt 迭代次數，迭代次數越少，方法就越有效。與基线相比，VOYAGER 解鎖木質等級的速度快了 15.3 倍（就 prompt 迭代而言），解鎖石質等級快了 8.5 倍，解鎖鐵質等級快了 6.4 倍，VOYAGER 是唯一能解鎖科技樹中鑽石等級的模型。

廣泛的地圖遍歷

與基线相比，VOYAGER 的行動範圍能夠覆蓋 2.3 倍的距離，可穿越各種地形，而基线智能體往往發現自己被限制在本地，這大大阻礙了他們發現新知識的能力（圖 7）。

對未見任務的零樣本泛化能力

爲了評估零樣本泛化能力，研究者清除了智能體的庫，將其重置到一個新的實例化的世界，並用未見過的任務來測試。對於 VOYAGER 和 AutoGPT，他們利用 GPT-4 將任務分解爲一系列的子目標。

如表 2 和圖 8 所示，VOYAGER 可以持續地解決所有的任務，而基线不能在 50 次 prompt 迭代內解決任何任務。值得注意的是，從終身學習中構建的技能庫不僅增強了 VOYAGER 的性能，而且也給 AutoGPT 帶來了提升。這表明，技能庫是一個多功能的工具，可以隨時被其他方法所採用，有效地作爲一種即插即用的資產來提高性能。

消融研究

研究者在 VOYAGER 中消融了 6 個設計選擇（自動課程、技能庫、環境反饋、執行錯誤、自我驗證和用於代碼生成的 GPT-4），並研究它們對探索性能的影響，結果如圖 9 所示。

VOYAGER 的性能優於所有替代方案，表明了每個組件的關鍵作用。此外，GPT-4 在代碼生成方面明顯優於 GPT-3.5。

最後，英偉達的研究者也指出了一些局限性和未來的工作方向。

首先是成本問題。GPT-4 API 導致了巨大的成本。它比 GPT-3.5 的成本高 15 倍。然而，VOYAGER 需要 GPT-4 實現代碼生成質量的飛躍，這是 GPT-3.5 和开源的 LLM 都無法提供的。

其次，盡管有迭代 prompt 機制，但仍有智能體卡住而無法生成正確技能的情況。自動課程有靈活性，可以在以後的時間裏重新嘗試這項任務。自我驗證模塊偶爾也可能失敗，例如不能識別出蜘蛛串正是打倒蜘蛛的成功信號。

然後是大模型的「幻覺」問題。自動課程偶爾會提出無法完成的任務，例如可能要求智能體制作遊戲中並不存在的「銅劍」或「銅胸甲」。幻覺也會發生在代碼生成過程中，例如 GPT-4 傾向於使用鵝石作爲燃料輸入，這在遊戲中是一個無效的燃料來源。此外，它可能會調用所提供的控制原始 API 中沒有的函數，導致代碼執行錯誤。研究者認爲，GPT API 模型的改進以及微調开源 LLM 的新技術將在未來克服這些限制。

$英偉達(NASDAQ|NVDA)$

本文作者可以追加內容哦 !