#今日论文推荐# Gato之后，谷歌也推出「通才型」智能体Multi-Game Decision Transformers

#今日论文推荐# Gato之后，谷歌也推出「通才型」智能体Multi-Game Decision Transformers

在强化学习领域，「大力出奇迹」行得通？
在自然语言处理、计算机视觉和二者的交叉领域中，通过训练大量与任务无关的数据集，建立大规模的通用模型来解决许多任务，已经成为主流方法。这些模型可以适应新的任务(例如翻译) ，利用不相关的数据(例如使用高资源语言来改进低资源语言的翻译) ，甚至可以通过将图像投影到语言空间来纳入新的模式。
这些方法的成功很大程度上来自于可扩展模型架构、大量未标注的任务无关数据以及高性能计算基础设施的不断改进。至关重要的是，标度律表明，规模带来的性能提升尚未达到饱和点。
在最近的一项工作中，谷歌研究院的成员们提出，类似的进展在强化学习领域是可能发生的，并且他们采取可扩展的方法的初步步骤，生成了表现优越的通才型智能体。与视觉和语言领域相反，强化学习通常倡导使用更小的模型，模型也通常用于解决单一任务，或在同一环境中的多个任务。重要的是，跨越多种环境的训练的研究数量并不多，很少有人研究横跨不同动力学、奖励、视觉效果和智能体实施方式的东西。

论文题目：Multi-Game Decision Transformers
详细解读：https://www.aminer.cn/research_report/62a6e0757cb68b460fd16f87?download=falsehttps://www.aminer.cn/research_report/62a6e0757cb68b460fd16f87?download=false
AMiner链接：https://www.aminer.cn/?f=cs