谷歌推出通用AI代理：能自動(dòng)執(zhí)行600多種動(dòng)作，游玩復(fù)雜3D游戲
谷歌DeepMind的研究人員推出了一種面向3D環(huán)境的通用AI代理——SIMA。
SIMA無(wú)需訪問游戲的源代碼，也不需要定制的API。只需要輸入圖像和用戶提供的簡(jiǎn)單自然語(yǔ)言文本指令，SIMA就能像人類玩家一樣執(zhí)行走路、跑步、建造、打開地圖等各種游戲中的操作。
為了測(cè)試、訓(xùn)練SIMA的性能，研究人員與8個(gè)游戲工作室合作，在《無(wú)人深空》、《模擬山羊3》、《Teardown》、《挖礦模擬器》等知名復(fù)雜3D游戲上進(jìn)行了綜合測(cè)試。
結(jié)果顯示，用戶只需要在游戲中提供簡(jiǎn)單的文本、圖像提示，SIMA就能執(zhí)行挖礦、開飛船、制作裝備、打開外骨骼、搜集任務(wù)、爬樓梯等600多種基本操作，每個(gè)動(dòng)作可以在大約10秒內(nèi)完成。
在游戲場(chǎng)景中測(cè)試AI代理是一個(gè)重要課題，與傳統(tǒng)的沙盒2D方法不同的是，SIMA選擇了操作、環(huán)境、視覺難度更高的3D游戲。
SIMA使用了大模型的訓(xùn)練方法，通過廣泛的數(shù)據(jù)分布來識(shí)別那些復(fù)雜的動(dòng)作，同時(shí)無(wú)需為每個(gè)新游戲設(shè)計(jì)特定的控制、觀察模塊，就能理解人類的文本指令，并將其轉(zhuǎn)化為具體的行動(dòng)。
多種大模型組成的“人體”
?
從SIMA的總體架構(gòu)來看，由多種大模型組合而成像是在模仿人體。視覺感知模型充當(dāng)“眼睛”、大語(yǔ)言模型充當(dāng)“大腦”、建模規(guī)劃模型充當(dāng)“思維”、控制和執(zhí)行模型充當(dāng)“四肢”。
也就是說SIMA在接收到指令后，會(huì)用人的方式去思考、規(guī)劃接收到的任務(wù)，然后再去執(zhí)行。
視覺感知模型：視覺感知模塊負(fù)責(zé)處理AI代理的圖像觀察，并提取關(guān)鍵信息以輔助語(yǔ)言指令的理解和環(huán)境的交互。該模塊使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）等深度學(xué)習(xí)技術(shù)對(duì)輸入的圖像數(shù)據(jù)進(jìn)行處理和特征提取。
使得SIMA能夠識(shí)別和分析圖像中的物體、場(chǎng)景和空間位置等重要信息，以幫助AI代理更好地理解語(yǔ)言指令，并在虛擬世界中進(jìn)行準(zhǔn)確的交互和操作。
大語(yǔ)言模型：主要負(fù)責(zé)解析和理解輸入的自然語(yǔ)言指令。使用了NLP、詞嵌入、序列模型和注意力機(jī)制等技術(shù)，將語(yǔ)言指令轉(zhuǎn)化為機(jī)器可理解的表示。
使得AI代理能夠準(zhǔn)確地理解和解釋指令中的動(dòng)作和目標(biāo)，為后續(xù)的建模和規(guī)劃提供基礎(chǔ)。
建模規(guī)劃模型：通過強(qiáng)化學(xué)習(xí)和規(guī)劃算法，與環(huán)境的交互和反饋來學(xué)習(xí)最佳的行動(dòng)策略。AI代理通過不斷嘗試和優(yōu)化，逐漸掌握了在不同環(huán)境下執(zhí)行任務(wù)的能力。
可根據(jù)語(yǔ)言指令、視覺感知信息和當(dāng)前環(huán)境狀態(tài)，生成有效的動(dòng)作序列，以實(shí)現(xiàn)任務(wù)的完成。
控制和執(zhí)行模型：主要負(fù)責(zé)將生成的動(dòng)作序列轉(zhuǎn)化為實(shí)際的動(dòng)作控制指令，并映射到鍵盤、鼠標(biāo)上，以驅(qū)動(dòng)AI代理在3D游戲中執(zhí)行任務(wù)，例如，移動(dòng)、跳躍、奔跑、挖礦等，同時(shí)可根據(jù)環(huán)境的反饋進(jìn)行自適應(yīng)調(diào)整和優(yōu)化。
數(shù)據(jù)收集和預(yù)處理
數(shù)據(jù)收集和預(yù)處理是SIMA的核心模塊之一，主要獲取、準(zhǔn)備和處理用于訓(xùn)練和評(píng)估AI代理的數(shù)據(jù)。
研究人員從商業(yè)游戲等環(huán)境搜集了海量數(shù)據(jù)，搜集完成后對(duì)數(shù)據(jù)進(jìn)行了清洗、轉(zhuǎn)換和標(biāo)準(zhǔn)化數(shù)據(jù)操作，方便后續(xù)的訓(xùn)練和分析。
數(shù)據(jù)清洗：對(duì)原始數(shù)據(jù)進(jìn)行去噪和異常值處理，可能會(huì)存在一些噪聲或異常數(shù)據(jù)，例如，圖像中的視覺干擾或語(yǔ)言指令中的錯(cuò)誤字符。研究人員通過采用圖像去噪和文本糾錯(cuò)的方式，來消除這些干擾因素。
數(shù)據(jù)轉(zhuǎn)換：在進(jìn)行訓(xùn)練之前，需要將原始數(shù)據(jù)轉(zhuǎn)換為機(jī)器可處理的格式。圖像數(shù)據(jù)，可以使用圖像處理技術(shù)進(jìn)行特征提取或縮放操作，以便于模型的訓(xùn)練和推理；
文本數(shù)據(jù)，可以進(jìn)行詞匯化、分詞和編碼等處理，將其轉(zhuǎn)換為數(shù)值表示形式輸入到深度學(xué)習(xí)模型中。
數(shù)據(jù)標(biāo)準(zhǔn)化：為了確保數(shù)據(jù)的一致性和可比性，需要對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理。包括對(duì)圖像進(jìn)行歸一化或標(biāo)準(zhǔn)化，以使其具有相似的亮度、對(duì)比度和顏色分布。對(duì)于文本數(shù)據(jù)，可以進(jìn)行詞干化、停用詞移除和詞向量化等操作。
經(jīng)過一系列數(shù)據(jù)清洗、轉(zhuǎn)換、標(biāo)準(zhǔn)化后，可以幫助SIMA更好地去學(xué)習(xí)游戲中的物體、動(dòng)作、交互等，從而提升整體的動(dòng)作指令準(zhǔn)確率。
研究人員表示，未來，會(huì)持續(xù)迭代SIMA的通用代理能力，希望可以在實(shí)際生活中幫助用戶做更多的事情。
本文轉(zhuǎn)自 AIGC開放社區(qū)，作者：AIGC開放社區(qū)
