機(jī)器之心報(bào)道

編輯：陳陳

實(shí)時(shí)強(qiáng)化學(xué)習(xí)來了！AI 再也不怕「卡頓」。

設(shè)想這樣一個(gè)未來場(chǎng)景：多個(gè)廚師機(jī)器人正在協(xié)作制作煎蛋卷。雖然我們希望這些機(jī)器人能使用最強(qiáng)大可靠的智能模型，但更重要的是它們必須跟上瞬息萬變的節(jié)奏 —— 食材需要在精準(zhǔn)時(shí)機(jī)添加，煎蛋過程需要實(shí)時(shí)監(jiān)控以確保受熱均勻。只要機(jī)器人動(dòng)作稍有延遲，蛋卷必定焦糊。它們還必須應(yīng)對(duì)協(xié)作伙伴動(dòng)作的不確定性，并做出即時(shí)適應(yīng)性調(diào)整。

實(shí)時(shí)強(qiáng)化學(xué)習(xí)

然而，現(xiàn)有的強(qiáng)化學(xué)習(xí)算法多基于一種理想化的交互模式：環(huán)境與智能體輪流「暫?！挂缘却龑?duì)方完成計(jì)算或響應(yīng)。具體表現(xiàn)為：

環(huán)境暫停假設(shè)：當(dāng)智能體進(jìn)行計(jì)算決策和經(jīng)驗(yàn)學(xué)習(xí)時(shí)，環(huán)境狀態(tài)保持靜止；

智能體暫停假設(shè)：當(dāng)環(huán)境狀態(tài)發(fā)生轉(zhuǎn)移時(shí)，智能體暫停其決策過程。

這種類似「回合制游戲」的假設(shè)，嚴(yán)重脫離現(xiàn)實(shí)，難以應(yīng)對(duì)持續(xù)變化、延遲敏感的真實(shí)環(huán)境。

下圖突出顯示了智能體在實(shí)時(shí)環(huán)境中出現(xiàn)的兩個(gè)關(guān)鍵困難，而這些在標(biāo)準(zhǔn)的回合制 RL 研究中是不會(huì)遇到的。

首先，由于動(dòng)作推理時(shí)間較長(zhǎng)，智能體可能不會(huì)在環(huán)境的每一步都采取動(dòng)作。這可能導(dǎo)致智能體采用一種新的次優(yōu)性策略，稱之為無動(dòng)作遺憾（inaction regret）。

第二個(gè)困難是，動(dòng)作是基于過去的狀態(tài)計(jì)算的，因而動(dòng)作會(huì)在環(huán)境中產(chǎn)生延遲影響。這導(dǎo)致另一個(gè)新的次優(yōu)性來源，這在隨機(jī)環(huán)境中尤為突出，稱之為延遲遺憾（delay regret）。

在這樣的背景下，Mila 實(shí)驗(yàn)室兩篇 ICLR 2025 論文提出了一種全新的實(shí)時(shí)強(qiáng)化學(xué)習(xí)框架，旨在解決當(dāng)前強(qiáng)化學(xué)習(xí)系統(tǒng)在部署過程中面臨的推理延遲和動(dòng)作缺失問題，使得大模型也能在高頻、連續(xù)的任務(wù)中實(shí)現(xiàn)即時(shí)響應(yīng)。

第一篇論文提出了一種最小化無動(dòng)作遺憾的解決方案，第二篇提出了一種最小化延遲遺憾的解決方案。

最小化無動(dòng)作：交錯(cuò)推理

第一篇論文基于這樣一個(gè)事實(shí)：在標(biāo)準(zhǔn)的回合制強(qiáng)化學(xué)習(xí)交互范式中，隨著模型參數(shù)數(shù)量的增加，智能體無動(dòng)作的程度也會(huì)隨之增加。因此，強(qiáng)化學(xué)習(xí)社區(qū)必須考慮一種新的部署框架，以便在現(xiàn)實(shí)世界中實(shí)現(xiàn)基礎(chǔ)模型規(guī)模化的強(qiáng)化學(xué)習(xí)。為此，本文提出了一個(gè)用于異步多過程推理和學(xué)習(xí)的框架。

• 論文地址：https://openreview.net/pdf?id=fXb9BbuyAD
• 代碼地址 https://github.com/CERC-AAI/realtime_rl
• 論文標(biāo)題： ENABLING REALTIME REINFORCEMENT LEARNING AT SCALE WITH STAGGERED ASYNCHRONOUS INFERENCE

在該框架中，允許智能體充分利用其可用算力進(jìn)行異步推理與學(xué)習(xí)。具體而言，本文提出了兩種交錯(cuò)式推理算法，其核心思想是通過自適應(yīng)調(diào)整并行推理過程的時(shí)序偏移，使智能體能夠以更快的固定間隔在環(huán)境中執(zhí)行動(dòng)作。

本文證明：只要計(jì)算資源足夠，無論模型有多大、推理時(shí)間有多長(zhǎng)，使用任意一種算法都可以做到在每一個(gè)環(huán)境步都執(zhí)行動(dòng)作，從而完全消除無動(dòng)作遺憾。

本文在 Game Boy 和 Atari 實(shí)時(shí)模擬中測(cè)試了提出的新框架，這些模擬的幀率和交互協(xié)議與人類在主機(jī)上實(shí)際玩這些游戲時(shí)所體驗(yàn)到的幀率和交互協(xié)議同步。

論文重點(diǎn)介紹了異步推理和學(xué)習(xí)在《寶可夢(mèng)：藍(lán)》游戲中使用一個(gè)擁有 1 億參數(shù)的模型成功捕捉寶可夢(mèng)時(shí)所展現(xiàn)的卓越性能。需要注意的是，智能體不僅必須快速行動(dòng)，還必須不斷適應(yīng)新的場(chǎng)景才能取得進(jìn)展。

此外，論文還重點(diǎn)介紹了該框架在像俄羅斯方塊這樣注重反應(yīng)時(shí)間的實(shí)時(shí)游戲中的表現(xiàn)。結(jié)果證明，在使用異步推理和學(xué)習(xí)時(shí)，模型規(guī)模越大，性能下降的速度就越慢。然而，大模型性能下降的根本原因是延遲遺憾效應(yīng)尚未得到解決。

用單個(gè)神經(jīng)網(wǎng)絡(luò)最小化無動(dòng)作和延遲遺憾

• 論文地址：https://openreview.net/pdf?id=YOc5t8PHf2
• 項(xiàng)目地址：https://github.com/avecplezir/realtime-agent
• 論文標(biāo)題： HANDLING DELAY IN REAL-TIME REINFORCEMENT LEARNING

第二篇論文提出了一種架構(gòu)解決方案，用于在實(shí)時(shí)環(huán)境中部署神經(jīng)網(wǎng)絡(luò)時(shí)最大限度地減少無響應(yīng)和延遲，因?yàn)樵趯?shí)時(shí)環(huán)境中，交錯(cuò)推理并非可行。順序計(jì)算在深度網(wǎng)絡(luò)中效率低下，因?yàn)樯疃染W(wǎng)絡(luò)中每一層的執(zhí)行時(shí)間大致相同。因此，總延遲會(huì)隨著網(wǎng)絡(luò)深度的增加而成比例增加，從而導(dǎo)致響應(yīng)緩慢。

這一局限性與早期 CPU 架構(gòu)的缺陷如出一轍 —— 當(dāng)指令只能串行處理時(shí)，會(huì)導(dǎo)致計(jì)算資源利用率低下且執(zhí)行時(shí)間延長(zhǎng)?，F(xiàn)代 CPU 采用 pipelining 技術(shù)成功解決了這一問題，該技術(shù)允許多條指令的不同階段并行執(zhí)行。

受此啟發(fā)，本文在神經(jīng)網(wǎng)絡(luò)中引入了并行計(jì)算機(jī)制：通過一次計(jì)算所有網(wǎng)絡(luò)層，有效降低了無動(dòng)作遺憾。

為了進(jìn)一步減少延遲，本文引入了時(shí)序跳躍連接（temporal skip connections），使得新的觀測(cè)信息可以更快地傳遞到更深的網(wǎng)絡(luò)層，而無需逐層傳遞。

該研究的核心貢獻(xiàn)在于：將并行計(jì)算與時(shí)序跳躍連接相結(jié)合，從而在實(shí)時(shí)系統(tǒng)中同時(shí)降低無動(dòng)作遺憾和延遲遺憾。

下圖對(duì)此進(jìn)行了說明。圖中縱軸表示網(wǎng)絡(luò)層的深度，從初始觀測(cè)開始，依次經(jīng)過第一層、第二層的表示，最終到達(dá)動(dòng)作輸出；橫軸表示時(shí)間。因此，每一條箭頭代表一層的計(jì)算過程，所需時(shí)間為 δ 秒。

在基線方法中（左圖），一個(gè)新的觀測(cè)必須依次穿過全部 N 層網(wǎng)絡(luò)，因此動(dòng)作的輸出需要 N × δ 秒才能獲得。

通過對(duì)各層進(jìn)行并行計(jì)算（中圖），可以將推理吞吐量從每 Nδ 秒一次提高到每 δ 秒一次，從而減少無動(dòng)作遺憾。

最終，時(shí)序跳躍連接（如右圖所示）將總延遲從 Nδ 降低至 δ—— 其機(jī)制是讓最新觀測(cè)值僅需單次 δ 延遲即可傳遞至輸出層。從設(shè)計(jì)理念來看，該方案通過在網(wǎng)絡(luò)表達(dá)能力與時(shí)效信息整合需求之間進(jìn)行權(quán)衡，從根本上解決了延遲問題。

此外，用過去的動(dòng)作 / 狀態(tài)來增強(qiáng)輸入可以恢復(fù)馬爾可夫特性，即使在存在延遲的情況下也能提高學(xué)習(xí)穩(wěn)定性。正如結(jié)果所示，這既減少了延遲，也減少了與優(yōu)化相關(guān)的遺憾。

兩者結(jié)合使用

交錯(cuò)式異步推理與時(shí)序跳躍連接是彼此獨(dú)立的技術(shù)，但具有互補(bǔ)性。時(shí)序跳躍連接可減少模型內(nèi)部從觀測(cè)到動(dòng)作之間的延遲，而交錯(cuò)推理則確保即使在使用大模型時(shí)，也能持續(xù)穩(wěn)定地輸出動(dòng)作。

兩者結(jié)合使用，可以將模型規(guī)模與交互延遲解耦，從而使在實(shí)時(shí)環(huán)境中部署既具有強(qiáng)表達(dá)能力、又響應(yīng)迅速的智能體成為可能。這對(duì)于機(jī)器人、自動(dòng)駕駛、金融交易等高度依賴響應(yīng)速度的關(guān)鍵領(lǐng)域具有重要意義。

通過使大模型在不犧牲表達(dá)能力的前提下實(shí)現(xiàn)高頻率決策，這些方法為強(qiáng)化學(xué)習(xí)在現(xiàn)實(shí)世界的延遲敏感型應(yīng)用中落地邁出了關(guān)鍵一步。

https://mila.quebec/en/article/real-time-reinforcement-learning