LLM抢人血案：强化学习天才被挖空，一朝沦为「无人区」！

新智元报道

编辑：KingHZ

【新智元导读】AlphaStar等证明强化学习在游戏等复杂任务上，表现出色，远超职业选手！那强化学习怎么突然就不行了呢？强化学习到底是怎么走上歧路的？

最近，斯坦福的AI+CS博士Joseph Suarez发表了对强化学习的历史回顾。

结果，在上火了！目前，已有38.2万阅读。

封面可谓醒目：一条曲线线先是快速上升，然后平缓爬升，最后却急转直下 ，暗喻RL领域的研究前途不妙！

从历史角度看，强化学习发生了什么？为什么到现在它才真正开始起飞？

他提供了独特的个人视角。

师出名门

2019年， 他本科毕业于斯坦福大学计算机科学专业人工智能方向。

2018年，他利用休学期在OpenAI完成6个月实习，期间正式发布Neural MMO首个公开版本

更早之前，他曾在李飞飞课题组、吴恩达实验室参与过研究项目。

大约从2017年，他开始从事强化学习。

当时，他在麻省理工学院Phillip Isola实验室攻读博士，开始创建开源计算研究平台Neural MMO。

他的研究聚焦于推动现代基于智能体的学习方法向更复杂、更具认知真实性的环境拓展。

后来，这个项目后来成为他整个博士生毕业论文的的主题。

论文链接：https://jsuarez5341.github.io/static/jsuarez_phd_thesis.pdf

这也为他PufferLib的工作奠定了基础。

当时，各大实验室也在做从零开始、非语言模型的强化学习RL。

事实上，这是当时大多数工作的重点：多智能体（multiagent）刚刚兴起，所有核心算法刚刚发布。

AlphaGo让研究者已经看到了强化学习的潜力。OpenAI Five正在开发中，当时他恰好在OpenAI实习，所以亲眼看到了一些工作。

OpenAI的DoTA（Dota 2）项目，则完全让他信服RL的神奇。

论文链接:https://cdn.openai.com/dota-2.pdf

你如果不玩这款游戏，难以想象这个问题有多复杂。

你不会相信人们居然把打DoTA当成爱好。它和围棋并非完全一样，无法直接比较，但它确实涉及许多围棋中没有的、与现实世界相关的推理类型。

比如，高低级策略、控制、团队协调和心智理论（theory of mind），这些只是其中几个例子。

而OpenAI用1.68亿参数的网络，在约1000个GPU上训练，打败了顶尖职业选手。

现在，用64到128个H100 GPU，你也能做到。

而且还不止一个结果。还有AlphaStar、Capture the Flag、Emergent Tool Use……

在训练过程中，AlphaStar最终被选中与职业选手MaNa对抗的智能体（黑点）其策略与竞争对手（彩点）的演化过程。每个彩点代表AlphaStar联赛中的一位竞争对手

短短时间内，有好几个主要的RL展示项目。那么，既然潜力这么明显，领域肯定会继续前进，对吧……对吧？？？

为什么RL衰落了

从2019年到2022年的，有些工作继续在进行，但强化学习明显在走下坡路。

尽管那几年论文更多了，但没有多少像2017-2019年那种水平的持久突破。究竟发生了什么？

首要的因素是学术短视。

整个领域集体决定了一套标准，却没有实际理由。在这些标准下，几乎不可能出现什么进步。

由于历史原因，Agent57成为了最常见的基准，共包含57款雅达利游戏。

由于任务结果波动大，需要运行所有游戏（理想情况下，每款游戏使用多个种子）。同时，学界决定x轴应该是样本数，而不是实际运行时间（墙钟时间）。

背后的想法是，这更接近现实世界的学习，许多问题受限于采样率。而且你不用担心不同论文的硬件设置。

然而，显而易见的问题是没有限制硬件使用量，可以通过投入更多计算资源来提升基准成绩。因此，研究变得愈加耗时，以至于单个游戏的单独运行可能需要耗费数周的GPU时间。

因为学术界对工程很排斥，代码基底也慢得可怕。更不用说有限的预算……

所以，你最终需要1万GPU小时，在利用率不到5%的情况下运行一组消融实验（ablations）。

这样的研究方式根本行不通，跟好的科学更不沾边。

要是没有上万小时的GPU算力，很多人干脆不做消融实验就直接发论文——难怪那时候的研究成果基本无法复现。

另外，学界追名逐利。

大语言模型（LLMs）出现了。

人们经常问他为什么讨厌LLM。他真的不讨厌。他讨厌的是，它们从其他领域吸走了99%的天才，而不是更合理的80%。

他眼看着最有才华的同事一个个离开RL研究领域，被雇去研究LLM。这很难去责怪他们。做RL太糟了。那是艰苦、残酷的工作，对抗一套似乎专门设计来阻碍真正进步。

在一般深度学习中你习以为常的基本东西，甚至2015年的东西，在RL中都不存在。

超参数没道理，模型无法扩展，简单的任务也无法顺利转移。

尽管他们有证据证明RL能在DoTA和围棋之类的惊人问题上奏效，但日常工作的感觉就是绝望。

现在的RL重蹈覆辙

缓慢的实验周期、过度优化的评价体系、迟缓的开发进度……这一切听起来是否耳熟？

现代RL研究不知怎么花了数十亿美元，却再现了最初扼杀RL发展的混乱局面，重蹈覆辙。

David Peterson对此非常认同：强化学习莫名其妙地多次重蹈覆辙，上一次是时序差分。

这一次它会走得更远，毕竟有利可图……但效率极低。

看着该领域重新陷入前人多年前就已经克服的困境，同时为各种概念创造新的术语，令人啼笑皆非。

「多轮RL」意思是「不只是赌博机问题」（not a bandit）。这几乎涵盖了全部的RL新研究，除了某些小众理论研究。

「长期规划」（Long horizons）也不是新东西，这也不是让问题变得如此困难的全貌。

当前对早期RL研究的充满了不信任，Joseph Suarez表示理解——

因为许多发表的内容确实存在问题。

另寻他路

Joseph Suarez还在坚持用小模型从零开始的RL。

只是现在，这不再是衰落的旧势力，他们在以惊人速度突破。

那么，什么改变了？

完成博士学位后，他决定完全从学界的随意的标准中解放出来，从头重建RL。

标准是墙钟训练时间，性能工程将和算法工作一样重要。

他花几个月时间拆除所有慢的基础设施，目标是每秒数百万步的吞吐，而不是几千。

起初，这只是现有方法的加速版本。这对解决行业中因成本过高而难以实施的问题已绰绰有余。

但这还不止——这个过程实际上让他们能够以前所未有的速度开展高质量研究。当你可以运行1000倍的实验时，无需过于精巧的方法论；当所有选项都可以测试时，也无需小心翼翼地挑选变量。

最新基准测试显示，在单个RTX 5090上，强化学习库PufferLib 3.0的训练速度最高可达每秒400万步

一年前，你需要RL博士学位和几周到几个月来处理每个新问题。如果你没有经验，耗时就更长了。现在，新手程序员在几天内让RL在新问题上运行。不是超级难的问题——那些还是需要点经验。但比之前好多了。

他们走在正确方向的迹象：他们在简单环境上的实验能泛化到更难环境。

他们认为之前的batch size和特定退化超参数是罪魁祸首。不是100%——肯定有些技术只有在更难问题上才见效。

但他们现在有足够多在几分钟内运行的技术，开发周期还是很快。

下一步：他们计划能用现有东西解决有价值的问题。

只要能建快模拟器，RL大多能工作。嘿，在很多问题上，它开箱即用。

长期来看，他们会回到旧的样本效率研究。但他们还是会从至少保持flop效率的角度接近它。不再让GPU在5%利用率下跑批量大小8的200万参数网络。

参考资料：

https://x.com/jsuarez5341/status/1946622588891107565