2024-01-15
传统智能决策算法均基于最优性假设，即：在设定目标下求解最优策略并执行最优动作。然而最优性假设却并适用于需要与人类交互的协作场景。其根本问题是，人类的行为几乎从来不是最优的。因此人工智能必须认识到人类行为的多样性，并根据人类行为自适应调整决策，来帮助人类完成其目标。吴翼团队在领域内首次提出了多样性学习框架，从经典最优决策假设更进一步，要求智能体不光要解决问题，更要自我探索与创新，用尽量多不同的合理的拟人行为解决问题——即“不光要赢，还要赢的精彩”。基于多样性决策框架，吴翼团队还提出了多个多样性强化学习算法，并开源了多智能体决策代码库MAPPO。目前团队开发的多样性学习框架，是领域内首个能够在机器人控制、星际争霸、多人足球游戏等多个复杂任务场景中，都能自动探索出多样性策略行为的算法框架。同时，基于多样性策略为进行自我博弈训练，实现在miniRTS，overcooked等多个复杂人机合作场景中SOTA的表现，并且在真人测试中大幅超越目前领域内最好的泛化性强化学习算法，首次实现了在复杂游戏中与真人的智能协作，朝着让人工智能真正走进千家万户的最终目标，迈出了坚实的一步。团队系列成果发表于机器学习顶级会议ICLR2022、ICML2022、NeurIPS2022等，其中发表于NeurIPS2022的开源算法库MAPPO至今已经获得超过250次引用，受到领域内广泛关注。
