点击下方卡片，关注“CVer”公众号
AI/CV重磅干货，第一时间送达
梦晨 鱼羊 发自 凹非寺

转载自：量子位（QbitAI）

通用人工智能，还得看DeepMind。
这回，只一个模型，使用相同的权重，不仅把看家本领雅达利游戏玩得飞起。
和人类聊聊天、看图写话也不在话下。
甚至还能在现实环境里控制机械臂，让其听从指令完成任务！
‍模型名为Gato，西班牙语中的“猫”。
按照DeepMind的说法，这只猫猫可以使用具有相同权重的同一个神经网络，适应各种不同的环境。
具体而言，DeepMind让它在604个不同的任务上接受了训练，这些任务模式完全不同，需要观察的元素和行为规则也不同。
而Gato不仅在450个任务中都超过了专家水平的50%，在23个雅达利游戏上表现还超过人类平均分。
DeepMind CEO哈萨比斯直接说：
这是我们目前最通用的智能体。
这一最新成果一发布，当即就在AI圈子里掀起热议。
有AI研究者指出：
Gato令人印象深刻。只需要在云上花费5万美元，就能完成对它的训练。
这点钱只是PaLM训练费用1100万美元的一个零头。用PaLM的预算完全可以将Gato扩展100倍，而这很可能是行之有效的。
PaLM是谷歌发布的5400亿参数语言模型。
有人直接祭出了AlphaStar架构和Gato架构的对比：
Zoom AI杰出科学家Awni Hannun则直接感叹起过去5周以来，谷歌/DeepMind释出成果之密集。
所以这只来自DeepMind的“猫猫”，究竟怎么一回事？

一个Transformer搞定一切

对于研究方法，DeepMind只用一句话就解释明白了：
我们受到语言大模型的启发，用类似的方法把模型能力拓展到文本之外的领域。
没错，这次立功的又是语言大模型中常用的Transformer架构。
Transformer的本质就是把一个序列转换(transform)成另一个序列。
所以要想让它掌握各种不同任务，首先就需要把各类数据都编码成序列。
文本自不必说，天然就是序列信息，可用经典的SentencePiece编码。
图像，ViT已经打好样，先按16x16像素分割，再给每个像素编上号处理成序列。
玩游戏时的按键输入同样是序列，属于离散值，比如懂得都懂的“上上下下左右左右BABA”。
操纵机器人时的传感器信号和关节力矩属于连续值，也通过一系列采样和编码处理成离散序列。
最终，所有序列数据都交给同一个Transformer处理。
整个Gato模型使用的训练数据总体上偏向游戏和机器人控制任务，596个任务占了85.3%。视觉和自然语言任务只占14.7%。
模型架构上，为了简洁和可扩展性，就在最经典的原版Transformer基础上小改，具体参数如下：
24层11.8亿参数版的Gato，在谷歌16x16 Cloud TPUv3切片上训练了大约4天。
到了部署阶段，Gato对于视觉和语言任务就像传统Transformer和ViT那样运行。
对于游戏和机器人控制的行为模式则可以理解为“走一步看一步”。
首先给出一个任务提示，比如游戏操作或机器人动作，作为输出序列的开头。
接下来Gato会观察当前的环境，对动作向量进行一次自回归采样，执行动作后环境发生变化，再重复这个过程……
那么这样训练出来的Gato，在各项任务中到底表现如何？

仅靠12亿参数成为多面手

玩游戏方面，Gato的表现可以用一张图来总结。
x轴是训练集之中专家水平的百分比，其中0代表一个随机参数模型的水平。
y轴是Gato超过或达到对应专家水平的任务数量。
最终结果，Gato在604个任务中，有450个超过了专家水平的50%。
更详细的结果如下：
雅达利游戏测试中，Gato在23个游戏上表现超过人类平均分，11个游戏上比人类得分高一倍。
这些游戏包括经典的乒乓球、赛车，也包括射击、格斗等多种类型。
在Bengio团队推出的BabyAI测试上，Gato几乎在所有关卡达到了专家水平的80%，最难的几个Boss关达到75%。与之前BabyAI榜单上的两个模型水平相当（分别为77%和90%），但这两个模型都针对性的用了上百万个演示来训练。
△BabyAI关卡示例。
在Meta-World上（虚拟环境中操作机械臂），Gato在全部45个任务中，有44个超过专家水平的50%，35个超过80%，3个超过90%。
△Meta-World任务示例
操纵真实机器人方面，与之前模型对比也不遑多让。
至于视觉和文本任务DeepMind这次至少为了验证通用模型的可行性，没有做跑分，而是给了一些示例。
△描述图像
△聊天对话
最后，DeepMind还对Gato模型的可扩展性做了评估。
虽然当前Gato在每一个单独任务上都还比不上SOTA结果，但实验结果表明，随着参数、数据和硬件的增加，Gato模型的性能还有成比例上涨的空间。
另外，Gato在少样本学习上也表现出一定潜力。
DeepMind认为，这样一个通用模型将来可通过提示或微调迅速学习新的任务，再也不用为每个任务都重头训练一个大模型了。

通用人工智能还有多远？

看完Gato如此表现，网友们的“大受震撼”也就不奇怪了。
甚至还有人认为，AGI（通用人工智能）近在眼前。
当然，反对/质疑的声音也不小。
比如始终冲在给人工智能泼冷水一线的马库斯，这次也第一时间开了炮：
仔细看看第10页。无论模型有多大，大型语言模型标志性的不靠谱和错误信息仍然存在。
但不管怎么说，DeepMind在通用人工智能方向上的努力都在不断涌现出新成果。
事实上，无论是2013年惊艳了谷歌的雅达利游戏AI，还是名满全球的AlphaGo、AlphaStar，DeepMind透过这些阶段性成果想要达成的终极目标，一直都通向通用人工智能这个关键词。
去年，DeepMind首席研究科学家、伦敦大学学院教授David Silver还领衔发布了一篇同样引起不少讨论的文章：Reward is Enough。
论文认为，强化学习作为基于奖励最大化的人工智能分支，足以推动通用人工智能的发展。
而据Gato团队成员透露，这只“猫猫”已经在DeepMind内部孕育了2年时间。
此次Gato是以有监督方式进行离线训练的，但论文也强调，原则上，同样可以采用离线或在线强化学习的方式对其进行训练。
而就在一周前，DeepMind发布了一个新视频，其中说到：
我们接下来要做一件大事（the next big thing），那意味着需要去尝试很多人们认为过于困难的事情。但我们一定要去尝试一下。
现在看来，这个next big thing就是指AGI了。
论文地址：

https://www.deepmind.com/publications/a-generalist-agent
参考链接：

[1]
https://twitter.com/DeepMind/status/1524770016259887107
ICCV和CVPR 2021论文和代码下载
后台回复：CVPR2021，即可下载CVPR 2021论文和代码开源的论文合集
后台回复：ICCV2021，即可下载ICCV 2021论文和代码开源的论文合集
后台回复：Transformer综述，即可下载最新的3篇Transformer综述PDF
目标检测和Transformer交流群成立
扫描下方二维码，或者添加微信：CVer6666，即可添加CVer小助手微信，便可申请加入CVer-目标检测或者Transformer 微信交流群。另外其他垂直方向已涵盖：目标检测、图像分割、目标跟踪、人脸检测&识别、OCR、姿态估计、超分辨率、SLAM、医疗影像、Re-ID、GAN、NAS、深度估计、自动驾驶、强化学习、车道线检测、模型剪枝&压缩、去噪、去雾、去雨、风格迁移、遥感图像、行为识别、视频理解、图像融合、图像检索、论文投稿&交流、PyTorch、TensorFlow和Transformer等。
一定要备注：研究方向+地点+学校/公司+昵称（如目标检测或者Transformer+上海+上交+卡卡），根据格式备注，可更快被通过且邀请进群
▲扫码或加微信: CVer6666，进交流群
CVer学术交流群（知识星球）来了！想要了解最新最快最好的CV/DL/ML论文速递、优质开源项目、学习教程和实战训练等资料，欢迎扫描下方二维码，加入CVer学术交流群，已汇集数千人！
▲扫码进群
▲点击上方卡片，关注CVer公众号
整理不易，请点赞和在看
继续阅读
阅读原文