Keynote地址（Dropbox）
Pieter Abbeel在刚刚过去的NIPS2017大会上做了一个讲话，总结了把深度学习应用在机器人身上遇到的种种问题，他为了解决这些问题所做的探索和工作，和推崇Meta Learning（元学习）。我非常欣赏Pieter Abbeel的研究。他自博士毕业以后做了许多Deep Reinforcement Learning的工作，把深度学习和强化学习结合，力图调教出更好的机器人。与许多理论家不同， 他的研究一般始于解决一个确切的问题。虽然他的解法不一定完美，但他的探索给我许多灵感。我希望能用中文简单概括一下他的讲话，让更多人接触到他的工作。
简单介绍一下Deep Reinforcement Learning（DRL）
Reinforcement Learning （RL）指名为强化学习的框架。这个框架让算法自行选择动作，与环境互动，收到反馈，进行探索。一般情况下，算法可以感知其所处的状态（state），根据当前状态选择动作（action），执行动作后收到反馈（reward）。一般反馈是一个数字，越大越好。算法收到反馈后会更新内部机制，使其在将来遇到相同情况（revisitng the same state）时做出更有利的动作。举一个简单例子，如果机器在玩吃豆子这个游戏时，发现吃掉前面的豆子能得到奖励，那么下次，机器在面对一个豆子时，就更可能去吃掉豆子。
Value Function Approximation是一种强化学习的学习方法。这种学习方法的目标是学习每个状态的好坏。通常此类算法会给每个状态一个打分。这样，在遇到某状态时，我们可以选择一个动作去最大化下一个状态的奖励。
End-to-end Reinforcement Learning 是另一种强化学习的学习方法。这种学习方法试图学习：给出当前的状态，我该采取什么行动？这个方法叫做end-to-end，因为它不需要人为地在中间干预。其他的方法，比如Value Function Approximate），需要几次操作：机器给状态打分，机器挑选动作去往高分状态。而这个方法里，机器自己想办法找出哪个动作有利。在深度学习以前，这个方法不容易写成代码（因为很难让机器意识到哪个动作是当前状态的最优动作），所以直到深度学习复兴才火爆起来。
Deep Learning（DL）指深度学习，或神经网络学习（Deep Neural Net）。它利用神经网络可以拟合任意函数的特性，被应用于各种拟合函数。比如，在DRL中，DL可以负责计算给定任意状态时的最优动作。
Abbeel讲话的概要
在这篇讲话中，Abbeel罗列了他所见的DRL的几大问题，并给出了他的团队为了解决这些问题的探索研究。本文着重列出三个Abbeel指出的问题，分别分析一篇Abbeel的对应的工作。对其他工作感兴趣的，可以看看他发的Keynote。
Faster Reinforcement Learning
问题描述：一般，Deep Learning需要很多步梯度下降，才能成功拟合函数；而Reinforcement Learning也需要探索一个环境很久，观察状态的不同动作导致的结果，才能学到如何做动作。两者放在一起，简直就是噩梦。举例来说，一个人来玩俄罗斯方块，几分钟就上手了；而一个机器要训练好几小时或几天才能达到人类刚刚上手的水准。
观察：现有的RL中套用的学习方法，比如TRPO，DQN，A3C，DDPG，PPO等算法，都是非常通用的算法。因此，不管给算法什么样子的状态或者环境，它都可以慢慢学习。但实际生活中，算法会遇到的状态其实没有那么多。举例而言，如果我在玩一个赛车游戏，那么大部分情况下这个车都是在赛道上跑；而算法却是准备了很多不会遇到的情况：车子在半空中跑；车子倒着跑；俄罗斯方块在跑……等等。
RL^2：RL^2是Abbeel团队投给ICLR2017会议的论文（好像被拒了hhh）。传统的RL算法，在训练结束后，只能玩一个游戏。即使有RL算法可以玩Atari这一套游戏，它要求每一个小游戏的状态必须长得不一样，否则机器会弄混它到底在玩哪个游戏。这篇论文试图解决：假设我不知道我在玩什么游戏，我可不可以记一下我每一步走到哪里了，记下环境的反馈，来推测我在哪个游戏，因此做决策。具体来说，这篇用一个RNN（Recurrent Neural Net）来生成对应状态的动作；用RL的算法来负责更新RNN的参数。直觉上讲，RNN可以考虑以前时间发生的事情，用这些信息来帮助做决策。
Model Agnostic Meta Learning：arXiv链接。这篇文章假设我们要玩好几个游戏。它要提出一个还不错的基础模型（Base Model），我们在玩每个游戏的时候只要小小改动一下基础模型，就能在几个游戏里各自取得不错的成绩。为了计算这个基础模型，这个文章并不要求这个基础模型能在每个游戏里取得好成绩，却要求：如果每个游戏里各自改了基础模型，他们改动过的模型应该取得好成绩。
Long Horizon Reasoning
问题描述：在RL中，机器一般要很久才能收到有效的反馈。比如我们在玩吃豆子，然后我操纵主角走进了迷宫，过了一会，我被敌人挂了。虽然机器立刻知道，主角跟敌人太近会导致不好的后果，它却要重复经历很多次才能学习到，主角一开始不该走进迷宫。
观察：我们在操纵小人时，我们想的是：我要一直走直线直到我到某个地方；而算法设计里，机器每秒都得做很多决策（向前～向前～向前～向前～）。实际这些决策有很多冗余。如果我们能有一个大方向决策器（我要向前走）和小方向决策器（我怎么操纵我的身体向前走），那么我们可以免去许多冗余，并且让大方向决策器更容易搞明白哪个决策更有利。
Meta Learning Shared Hierarchies: 这篇是前阵子上了新闻的论文，一作是KevinFrans，一个在OpenAI实习的高中生，大家可以去他网站瞧瞧。很佩服他一个高中生就有勇气去追求自己喜欢的东西，希望我们国家也可以出现一些不拘一格的人才。我个人非常喜欢这篇文章，它的灵感可以很容易运用到Vision／NLP。这篇文章主要提出大方向决策器和小方向决策器，并提出一种训练他们的方法。具体一点，大方向决策器根据现在状态决定接下来几个回合采用的策略，由对应的小方向决策器运行一定回合并返回大方向决策器。
Taskability
问题：有时候让机器慢慢学实在很麻烦，比如操纵机器人就得让机器人自己随意摆弄身上每一个部件，然后慢慢搞明白他们的作用。应对这种情况，有时会用Imitation Learning（模仿学习）：给机器人一些演示，让他们模仿演示的动作。问题是，这种方法学出来的动作非常死板。而且由于现在机器人部件的灵敏度等等问题，没有办法精细地操控（manipulation）或模仿。举个例子，如果我训练一个模仿学习模型来操纵无人机。那么很可能，无人机会飞的歪歪扭扭，并且时常瞎转圈等等。并且，模仿学习一般也是只能学一个问题，不能完成好几个task。
One Shot Imitation Learning：这篇论文提出一个比较通用的模仿学习的方法。这个方法在运行时，需要一个完成当前任务的完整演示，和当前状态。假设我要机器人搭方块，那么我给它一个完整的把方块搭好的视频演示，再告诉他当前方块都在哪里。这个模型会用CNN和RNN来处理任务的演示，这样，它就有一个压缩过的演示纲要。模型再用CNN处理当前状态，得到一个压缩过的当前状态信息。利用Attention Model来扫描演示纲要，我们就得到了“与当前状态最有关的演示的步骤”，再将这些信息全部传递给一个决策器。然后输出决策。具体的模型有很多细节，但大致流程如下：
对这一方向有兴趣的欢迎来博客／邮件探讨。
原创：Liyiming Ke (https://kelym.github.io)
转载请注明作者