发表时间：11 Nov 2022 论文链接：https://readpaper.com/pdf-annotate/note?pdfId=4689785740490440705&noteId=2412686834489472512 作者单位：DeepMind

前言：近日，DeepMind发布了文章《A Generalist Agent》（简称Gato），号称是“可以玩600多种任务的通才AI”。Gato能聊天，能给图片做标注，能玩Atari游戏，还能控制真实的机械臂，可以说是把AI主流任务做了个遍。文章一发出来后，不出意外热度很高，各大媒体争相报道，但具体评价却是褒贬不一。赞美的声音说它开创了先河，在一定程度上证明了通用agent的可行性；质疑的声音则表示Gato距离 AGI 还很远，并没有宣传的那么惊艳；那么Gato到底怎么样呢？接下来我会从个人视角详细介绍下这篇研究。

Motivation：

首先我们考虑一个问题：实现"通才Agent"的最大难点是什么？

AI领域内常见的方向有：

• NLP：一般输入和输出都是文本字符。例如机器翻译；

• 图像领域：一般输入和输出都是图像。例如图像生成；

• 强化学习：输入可以是图像、矩阵向量等，输出是离散或连续的数值。例如玩游戏、下棋；

（当然也有一些交叉任务，例如图片标注是给定图片，输出相应的文本标注。就是一个很好的将Text和Images联系在一起的研究，感兴趣可以看一下，这里就不展开了）

如今的Agent，在设计时必须规定好输入和输出的形式，后续的所有应用也必须在这个规定的框架内，AI才能正常工作。通过上面的介绍可以看到，不同任务的输入和输出差别很大。如果想让一个Agent可以处理所有的这些任务，就必须将各个任务的输入和输出形式统一起来，才有可能使用一套框架解决这些问题。而如何统一，则是走向“通才Agent”首先要解决的问题。

解决方法：

面对包括NLP、图像、RL等领域的不同任务，Gato会将各种形式的输入（图片、文本、连续值向量等）按照一定规则，都转换成一种统一的表示形式，以此将不同任务转移到相同的状态表征空间。在这个表征空间下，Gato将所有任务都看作是序列生成，以此进行统一的自回归监督训练。下面我们来看一些重要的细节。

1. 输入输出表示形式统一化

我们知道，现实任务的输入可以是文本、图像、数组等多模态的信息。一种统一的想法，是将这些多模态的信息通通转化成某一种输入格式。例如，将文本、图像等都转化成底层的字节（raw byte）。而Gato选择的方法是：将所有信息都转化成token（tokenization）。

这里token是源自NLP中的含义，代表最底层的处理元素，在NLP中通常是单词。例如，针对“Where are you from”这句文本，where\are\you\from是4个token。

至于为什么Gato要选择tokenization，是因为作者想用transformer作为网络结构，而transformer的输入输出是建立在token上的。简而言之，transformer一般会将由token组成的序列输入进网络，然后做很多运算，最终输出一个预测的token序列，并让预测的token序列和真实的token序列不断接近，即监督学习。这里有两点需要注意：1.输入是token序列；2. 需要有真值做监督学习；

具体而言，针对不同格式的输入，分别有不同的处理方式来生成token：

• Text：文本，直接通过SentencePiece([4])（一种分词工具），将文本切分成词，再将词转换成词表中的index。词表总大小为32000。

• Image：图像，前文我们提到了，输入必须是序列才行。文本天然是由一个个词组成的序列，而图片并不具备这种优势。为了解决这个问题，Gato使用了ViT([5])中的方法。简单来说，如图1所示，一个图片进来后，首先画格子做切分，每个格子大小为16x16，每个格子就是一个patch。再将这些patches按照顺序排列成一行，就得到了图片对应的token序列。

图1. 图片切分成patches

• Discrete value：离散值，像Atari中的动作按钮之类的。这里直接使用原始的整型数作为token就行，数值范围映射到 [0, 1024)

• Continuous value：连续值，速度、力矩之类的状态。首先将 [-1, 1] 离散成1024个区域，然后将浮点数通过mu-law变换映射到 [-1, 1]范围内，并在1024个区域内找到对应落到的区间，即完成浮点数到整型数的转换。整数则可以直接作为token使用。为了不和前文text的32000个token重叠，这里的1024的区域会平行偏移到 [32000, 33024] 范围内。

至此，通过上面的变换，大部分形式的输入（图片、文本、离散\连续值）都可以转变成统一的token序列，在完成多模态信息表示形式统一化的同时，也满足了使用transformer的一个条件。

1. Embedding

拿到输入token序列后，还需要经过一个embedding处理，来将token转换成特征向量。

• text、离散/连续输入经过tokenization后，token为整型数（即index）。拿整型token去embedding table（可学习）里查找即可找到对应的embedding向量，是一个标准的词嵌入过程。

详细过程如图2所示，①是将一个4维的float状态转换成Nx4的特征矩阵，N代表embedding的特征向量长度，每个float状态都会转换成一个N维的向量。

Token的位置信息经过一定编码（Local Pos Encoding）后会放到特征序列中，算是transformer的标准操作，本文就不详细展开了。

图2. 连续\离散输入处理过程

• image的话，由于token是二维float矩阵，所以直接用ResNet网络（可学习），对每一个patch token处理后，生成对应的特征向量。

图4展示了Gato的训练过程，Text、Image等信息会转换成token序列并组成Batched input，然后进入Gato网络得到输出，最后用输出值和真值算loss。整个过程还是很简洁的。

实现方式：

5. 其他细节

我们来看看Gato中比较值得说的一些细节。

• 监督样本

前文我们说过，Gato使用transformer有两点需要注意：1. 输入是token序列；2. 需要有真值做监督学习。第1点使用tokenization可以实现，第2点则需要预先有标记好的真值样本。参考图3的loss公式，Gato训练的本质就是让网络预测值不断接近真值，进而提升能力。那么Gato训练时的真值从哪来呢？

在NLP和图像领域，通常有人工预先标注好的数据集，数据集里面就有真值，是人类智慧的结晶，照着学就行了。但是在RL领域，一般是没有这种数据集的。RL通常是要不断和环境交互，在环境中学习，而不是和“数据集交互”，所以RL通常没有标注好的数据集。

为了解决RL没有数据集的问题，Gato采用的方式是：使用很多预先训练好的SOTA Agents生成(s,a,r）数据。也就是说，先训练了很多agents，每个agent在某个任务上很强大。然后用这些厉害的agents在环境中交互，并记录下相应数据，也就得到了“数据集”。后续Gato只要在这个数据集上进行监督学习就可以了。所以从这个角度来说，Gato其实还没有走到RL，而是在模仿厉害的teacher agents。

下图是各个任务和数据集名称，sample weight是一个batch中各个任务样本的比重。

• 模型结构

Gato采用了标准的transformer结构，没有在这方面做过多工作。整个模型有1.2B参数，24层，embedding向量大小2048，feedforward hidden size 8192。可以看到，这个量级虽然不是很大，但也不是一般人能跑的起来的。至于为什么DeepMind不用更大的模型呢？是因为模型越大前向耗时也就越大，在NLP、图像这种对前向耗时不敏感的领域倒没什么问题，但是对于RL中的控制任务，环境并不会卡住来等待模型返回动作，如果前向时间过长，可能下一个状态都产生了，模型还没有返回上一个状态的动作。所以1.2B应该是在允许延迟条件下的最大模型了。

训练放在了一个16x16 TPU v3上，batch size 512，sequence length 1024，训练4 days。

• Prompt

Gato是在600多个任务上进行训练的，这么多任务，难免一些任务之间会比较相近，比如有相似的observation、action。这就让Agent很容易产生混淆，导致agent不知道当前要解决什么任务。一个简单的做法是给每个任务加上唯一的one-hot特征，这样就很容易可以完全区分开不同的任务。但是缺点也很明显，one-hot特征无法在新任务上迁移，而且后续扩大任务规模时，one-hot也需要相应扩大，很难重复利用。

为了解决任务难以区分的问题，Gato使用了prompt。Prompt最先出现在NLP领域，属于比较新的研究了。简单来说，就是预先写好很多模板prompt，然后把输入信息按照模板的方式重写一遍，这样输入空间就大大规范化了，不同任务间的差别也更加明显，且具备一定的迁移性，适应zero-shot。Prompt写的越多越好，效果也会越好。

对于NLP文本，prompt比较好生成。但是RL中的控制任务，就比较麻烦了。对于RL，50%的prompt是到达终止状态的轨迹，50%的prompt是在episode中均匀采样。在训练时，一个batch中25%的轨迹会加上对应任务的prompt。这个prompt就像一个condition一样补充进输入，让agent方便知道当前任务的信息。

实验：Gato一共有600多个任务放在一起训练，其中大部分都是RL的控制类任务。图像文本类只有对话生成和图片标注两个任务。值得注意的是，600个左右的控制任务，是分成了几个大类的，如Atari game、Procgen、DM Lab、robot等。Atari和robot任务之间的差别确实很大，但Atari和Procgen，以及Atari内部的几十个游戏之间的差别不是很大，所以Gato虽然一共使用了600多个任务，但实际解决的问题数目还是要打个折扣的。

Robotics-RGB Stacking：

输入RGB图像，目标是控制机械臂，将物体摆出相应的形状（如图11上）。在这个实验中，Gato额外和BC-IMP进行了对比，其中BC-IMP只在该单一任务上进行了训练。从图11的实验结果中可以看到，在所有任务上训练的Gato，与只在该任务上训练的BC-IMP，在面对测试集任务时取得了相近的效果。说明Gato泛化性不错。

图11. RGB Stacking

Simulated control tasks：

下图是simulated control tasks，也就是RL环境的实验结果。横轴代表“能力”，0是random agent，100是最强的expert agent；纵轴代表Gato在多少个任务上达到了横轴对应的能力；例如，在60处画一条竖线，代表达到60% expert水平的任务有450个左右。可以看到，随着横轴的提升，Gato的纵轴数目也在下降，能完全达到expert水平的任务只有200个左右。从这一点上来看，Gato够通用，但能力还有提升空间。

图9. 控制类环境实验结果

Image caption and Chitchat：

下图分别是图片标注和聊天的结果展示。其中图片标注的结果还可以，聊天的话就不是很理想了。而且这类具备数据集的任务，是可以打榜和其他工作对比的。但是Gato并没有这么做，也没有在文中介绍很多这两个任务的实验结果，个人猜测可能是打榜分数并不理想。

结论：文介绍了Gato的工作原理、实现细节、和实验结果。Gato将NLP，Image，和RL领域在一定程度上进行了整合，将多模态输入统一为token序列，并把各种类型任务转化成统一的序列生成，使用一个transformer模型完成了600多个不同的任务，Gato的实验结果也证明了该统一思路的可行性。

消融实验结论：

• 模型越大效果越好（具体参数量见图7）

• 模型越大泛化性越好；Fine-tuning可以提升效果。

• 单任务训练结果比多任务效果好（有点反直觉）。只在Atari上训练的specialist Gato，要比在全部任务上训练的generalist Gato效果好。说明增大了任务规模后效果确实会降低，当然这个问题有可能通过增大模型来解决，毕竟在NLP里有过成功案例了。

个人觉得Gato的优势在于：

1. 第一个尝试将NLP、Image、RL等多个领域整合在一起的工作，具有一定的开创意义；

2. 使用一个模型框架，一套参数，在600多个不同领域的任务上都取得了还不错的成果，以往工作从来没有一个模型可以完成如此多的任务；

劣势：

1. Gato虽然在RL环境中进行了实验，也取得了不错的效果，但本质上是监督学习，训练时也没有和环境进行交互，并没有完全把RL整合进框架中，因此Gato在RL领域还不能直接应用；

2. 模型比较大，且用了很多数据集，一般人还跑不起。这也是被其他人诟病的一点，担心“一切只关乎规模”；

3. 虽然在600多个任务上进行了实验，但是大部分任务时RL领域，且存在一定的重复性，并不是完全独立的600多个任务。NLP和Image的任务很少（只看到2个），偏科很严重，“通才性”有一些不足；

4. 实验结果令人惊艳的点在于任务数量巨大，而不是效果超凡。当然可能补充更多的数据，训练更多的时间会有提升吧。