每次看到人類訓練機器人，我都會很困惑一件事，那就是在如此殘酷環境中培養出來的技能，到底能在現實世界中用上幾回？

像是狠狠從背后踹它一腳，讓它倒地后再爬起來；讓兩個機器人斗毆在地上瘋狂摩擦；又或者是在十幾米的高臺不停地跳高高……有事嗎？？？

這么對待重金打造的機器人，先不說畫面“不忍直視”，修理損耗難道不要錢的嗎？

后來我明白了，這跟目前的技術路徑有關。深度學習就是要進行大量的實踐和訓練，才能不斷優化算法，直至機器人能夠應對真實世界中各種各樣的狀況。

理論上講，只要時間足夠長、預算無上限，猴子也能用電腦寫出文學著作，更何況是算力逆天的機器。

但，這跟我們普通人又有什么關系呢？我們能否在有生之年用上（而且買得起）可靠解決問題的機器小助手呢？一萬年太久，我們只爭朝夕好嗎？

最近，伯克利和谷歌大腦最新開發的強化學習算法——soft actor-critic（SAC），據說就現實世界的機器人學習，或許，有望改變一下訓練機器人的古早思維。

今天我們就來聊聊，SAC會如何改變機器人的“成材之路”？

為什么想要一個rio的機器人，這么難？

在介紹SAC這個新算法之前，有必要先解釋一下，是不是一定要有更好的機器人算法呢？或者說，這個算法到底能夠改變什么？

這要從機器人在現實世界中遇到的挑戰來解答。

首先，是目前的訓練方式，決定了機器掌握新技能的速度還遠遠不夠。

傳統的機器學習算法，每次執行新任務時，都需要對原型設計進行參數調整，有的還需要重新收集數據進行訓練，這就使得機器新技能所需的總時間迅速增加；

其次，現實場景中的無數意外，都有可能讓機器出現故障。

真正在使用機器時，無論出現什么問題，比如斷電或者網絡延遲，機器都會以“死機”來應對危機。如果每次都要以“重啟”來恢復作業，那應用機器人的價值何在？

以上都是效率問題，傳統訓練方式帶來的成本困境，更是令研究人員愁到禿頭。

無論是訓練人員人為制造bug的暴力操作，還是執行器在種種復雜環境下的高頻抖動，都會給硬件帶來極大的磨損。這是機器人嗎？這是鈔票粉碎機啊！

當然，人類也不是沒有想過辦法。比如讓機器人打游戲啦，設計仿真環境啦，這些努力都大大減少了對現實訓練的依賴，但歸根結底，都無法替代現實環境的多樣性和隨機性。最重要的，還是得打造一套專為現實世界機器人“量身定制”的算法。

真實世界的機器人，到底需要怎樣的算法？

那么，這樣一套算法應該具備哪些屬性呢？

至少需要有這樣幾個關鍵要素：

1.良好樣本復雜性。提供給算法的訓練樣本數量越多，機器獲得數據標簽的時間成本也就越低，返回的誤差也更小，在強化學習中的表現自然也就越出色；

2.沒有敏感的超參數。為了提高機器學習的性能和效果，往往需要對超參數進行優化，但在現實環境中，自然是參數調整越少越好。算法就需要最大限度地減少調整超參數的需求；

3.異步采樣。真實世界中，難免會出現數據流終端、推理延遲等問題，要讓機器在“重啟”階段也能夠保持一定的持續性和穩定性，就必須將數據的收集和訓練在確保在最小化的多個獨立線程中進行。

4.動作平滑。為了防止大幅度動作或震動損壞硬件，因此，時間上具有關聯和連貫性的探索就變得尤為重要了。

簡單總結一下，如果我們相信未來真實世界中的機器人不可或缺，那么，要求它用無限長的時間、無限多的投入、無數次的碰壁去掌握這樣那樣的本領，顯然不太明智。

如何讓它自己進行有取舍、有現實意義的訓練呢？SAC應聲出現。

SAC成功的秘訣，就是心大

說了這么多，正主終于出現了。那么。究竟什么是SAC？

SAC，全稱是Soft actor-critic。從名字不難看出，SAC也是基于Actor-Critic算法的邏輯，即actor（玩家）隨機表演，critic（評委）隨機打分，互相制衡下追求更好的表現（reward）。

不同的是，SAC對參數的態度十分“溫柔”，它會自動權衡預期收益（最大化回報）和探索深度（最大化的不確定性），然后自動學習不是將其視為需要調整的“超參數”，從而獲得最優策略。

這樣帶來的好處是，訓練樣本多樣，還不需要頻繁調整參數，學習效率高了很多。即使遇到最差的實驗環境，也表現良好。

這就像是以前機器需要在人類親媽的“呵護”之下，點燈熬夜窮經皓首地做奧數題，以期成為“數學神童”。如今學會了勞逸結合奮發圖強，拿下高考高分就一本滿足了。顯然，后者才是大多數普通機器的榜樣和人類家長應該有的期待嘛。

具體表現如何，有請來自“伯克利小學”的三位機器人同學現身說法：

第一個向我們走來的是Minitaur，一個帶有八個驅動執行器的小型四足機器人。在前進時，往往借助控制器追蹤四肢的擺動部位，觀察好各種角度以平衡腿上的力度。如果沒有有效的訓練策略，很容易失去平衡而摔倒，摔多了鋼筋鐵骨也會壞的啊。

不過，在掌握了新的學習方法之后，由于訓練時將數據的不確定性最大化，Minitaur不需要任何額外的學習，就可以駕馭絕大對數平衡性的干擾。

第二位是非常靈活的“三指手”同學，它的任務是用手旋轉“閥門”，使彩色掛鉤朝右。但閥門上安裝了一個小型電機，受力會自動復位。因此，每轉一次，閥門的初始位置都會被隨機重置，使得機器必須重新感知當前的閥門方向。這個任務需要感知預測，并精準地控制9個伺服電機關鍵來完成，非常具有挑戰性，但我們的“三指手”依然順利完成了任務。

最后一位機器人同學雖然在玩樂高，但并沒有從中得到多少樂趣。因為訓練者要求它在堆疊積木的時候準確地對準螺柱以減少摩擦。

除了需要確定關節的位置和速度之外，還需要保證末端的力度，并且將復雜命令同時傳送給7個關節。這和要求人類小孩“百步穿楊”有差別嗎？

不過，掌握了SAC大法的機器并沒有讓人失望，只用3個小時就學會了如何搞定這個任務。而以往使用的PPO策略用了7.4小時才搞定。SAC是不是很棒棒？

在論文中，研究人員給SAC用了一個高調的定語：“state-of-the-art”（最先進的），可以說是實至名歸了。

當然了，上述還都只是些比較概念化的實驗，真正要將這種能力擴展到更具挑戰性的現實任務中，還需要大量的優化迭代、開發編碼調參等工作，不過可以預測的是，由于SAC的出現，機器人正在無限近地接近概念到實用的臨界點。

有了這個最佳引路人，機器人終于可以少受點“虐待”，真正滲透進生活的細節了。